<![CDATA[Penentuan developer yang tepat berdasarkan log aktivitas berupa teks tidak terstruktur merupakan tantangan penting dalam manajemen penugasan proyek. Penelitian-penelitian sebelumnya umumnya menggunakan Content-Based Filtering atau algoritma clustering konvensional seperti K-Means dan DBSCAN, yang memiliki keterbatasan dalam menangani data aktivitas developer yang padat. Penelitian ini mengusulkan pendekatan sistem rekomendasi yang mengintegrasikan Content-Based Filtering (CBF) dengan clustering berbasis kepadatan menggunakan HDBSCAN, yang belum pernah diterapkan secara langsung dalam konteks rekomendasi developer berbasis log aktivitas. Log aktivitas direpresentasikan menggunakan TF-IDF dan direduksi dimensinya dengan UMAP, kemudian dikelompokkan menggunakan HDBSCAN tanpa memerlukan penentuan jumlah klaster di awal, sehingga lebih efektif dalam mengelola data aktivitas yang padat. Rekomendasi dihasilkan berdasarkan kedekatan jarak dalam klaster yang terbentuk. Evaluasi pada dataset yang terdiri dari 4.505 log aktivitas dan 45 data uji menunjukkan bahwa konfigurasi parameter min_cluster_size = 2 dan min_samples = 2 menghasilkan performa terbaik dengan nilai Hit Ratio sebesar 88,8%, Recall sebesar 80%, dan Mean Reciprocal Rank (MRR) sebesar 56,3%. Dibandingkan dengan pendekatan Content-Based Filtering saja, metode yang diusulkan menunjukkan peningkatan pada Hit Ratio dan Recall, yang mengindikasikan peningkatan cakupan dan relevansi rekomendasi developer.]]>
Copyrights © 2026
