<![CDATA[Ketidaksesuaian antara topik tugas akhir mahasiswa dan keahlian dosen pembimbing menjadi salah satu penyebab utama keterlambatan kelulusan di perguruan tinggi. Penelitian ini mengimplementasikan Sentence-BERT (SBERT) model paraphrase-multilingual-MiniLM-L12-v2 dan cosine similarity untuk membangun sistem rekomendasi dosen pembimbing berbasis kemiripan semantik dari judul tugas akhir mahasiswa. Dataset penelitian mencakup 1.420 judul penelitian dari 43 dosen Program Studi Sistem Informasi, Universitas Amikom Yogyakarta, yang dikumpulkan melalui web scraping Google Scholar menggunakan SerpAPI. Sebagai pembaruan dari pendekatan BERT standar yang umum digunakan penelitian terdahulu, penelitian ini mengadopsi SBERT varian yang secara arsitektur dioptimalkan untuk tugas sentence similarity dan mendukung lebih dari 50 bahasa termasuk Indonesia dan Inggris, sehingga lebih sesuai untuk dataset bilingual. Tahap preprocessing hanya meliputi pembersihan karakter khusus berbasis regex dan normalisasi spasi, tanpa tahapan stemming maupun penghapusan stopword, karena SBERT mampu memahami konteks semantik secara langsung. Evaluasi dilakukan menggunakan 10 data uji berupa judul tugas akhir nyata dari repositori EPrints AMIKOM beserta dosen pembimbing aktual sebagai ground truth, dengan metrik Hit Rate dan Mean Reciprocal Rank (MRR) pada variasi Top-1, Top-2, dan Top-3. Hasil menunjukkan Hit Rate 40% pada Top-1, 70% pada Top-2, dan 90% pada Top-3, dengan MRR 0,400, 0,550, dan 0,617. Penggunaan data uji nyata berbasis repositori EPrints AMIKOM menghasilkan evaluasi yang lebih objektif dan dapat direplikasi. Temuan ini mengindikasikan bahwa SBERT multilingual berpotensi merekomendasikan dosen pembimbing yang relevan secara semantik pada dataset bilingual, meskipun evaluasi lebih lanjut dengan data yang lebih besar masih diperlukan.]]>
Copyrights © 2026
