Implementasi SVM Kernel RBF Dan Cosine Similarity Untuk Sistem Rekomendasi Skripsi Berbasis Website (Studi Kasus: Fakultas Ilmu Komputer Universitas Jember)

Abstract

Penentuan topik skripsi, pencarian penelitian terdahulu, serta pemilihan dosen pembimbing merupakan tahapan krusial dalam proses penyusunan skripsi bagi mahasiswa tingkat akhir. Namun, tahapan tersebut sering kali menghadapi kendala akibat banyaknya variasi topik penelitian, keterbatasan informasi yang tersaji secara terstruktur, serta tingginya kemiripan istilah antar bidang keilmuan. Kondisi ini menyebabkan mahasiswa mengalami kesulitan dalam mengidentifikasi penelitian yang telah dilakukan sebelumnya berdasarkan kesamaan judul skripsi, sehingga berpotensi menimbulkan duplikasi penelitian atau pemilihan topik yang kurang tepat. Selain itu, keterbatasan informasi mengenai kesesuaian bidang keahlian dosen pembimbing dengan topik skripsi yang diajukan turut menyulitkan mahasiswa dalam menentukan dosen pembimbing yang sesuai. Oleh karena itu, diperlukan sebuah sistem rekomendasi skripsi berbasis data historis yang terstruktur, tidak hanya untuk membantu pemilihan topik dan pencegahan duplikasi penelitian, tetapi juga untuk memberikan rekomendasi dosen pembimbing yang relevan guna mendukung tahap pra-skripsi mahasiswa secara optimal. Penelitian ini bertujuan membangun sistem rekomendasi skripsi berbasis web guna membantu mahasiswa menentukan topik skripsi, mencari penelitian terdahulu dengan kemiripan judul tinggi, serta mendapatkan saran dosen pembimbing yang tepat. Sistem tersebut memanfaatkan algoritma Support Vector Machine (SVM) dengan kernel Radial Basis Function (RBF) untuk klasifikasi topik skripsi, serta metode cosine similarity untuk mengukur kemiripan antar judul skripsi. Pendekatan penelitian bersifat kuantitatif dengan kerangka CRISP-DM. Data bersumber dari 813 rekam jejak skripsi mahasiswa Fakultas Ilmu Komputer Universitas Jember (Oktober 2023–Agustus 2025), meliputi judul skripsi, program studi, topik penelitian, dosen pembimbing, dan mata kuliah pilihan. Judul skripsi diproses menggunakan Term Frequency–Inverse Document Frequency (TF-IDF); fitur kategorikal dikodekan secara numerik; serta fitur mata kuliah dipilih via uji chi square. Ketidakseimbangan kelas diatasi dengan Synthetic Minority Over sampling Technique (SMOTE). Model SVM kernel RBF dioptimalkan melalui GridSearchCV dan divalidasi dengan stratified 5-fold serta 10-fold cross validation. Cosine similarity diterapkan untuk pencarian penelitian serupa berdasarkan judul. Hasil evaluasi menunjukkan bahwa model SVM dengan kernel RBF memperoleh akurasi sekitar 97% pada 5-fold dan 10-fold cross validation dengan nilai precision, recall, dan F1-score yang seimbang serta simpangan baku yang rendah. Confusion matrix memperlihatkan dominasi nilai pada diagonal utama, meskipun masih terdapat kesalahan prediksi pada bidang dengan kemiripan istilah tinggi seperti Data Mining, Machine Learning, dan Computer Vision, serta pada judul di luar cakupan data latih yang cenderung dipetakan ke bidang dominan. Selain itu, metode cosine similarity mampu mengenali judul lama yang terdapat di dalam dataset dengan skor kemiripan hingga 100% serta memberikan rekomendasi judul baru dengan skor tertinggi mencapai 26%. Berdasarkan hasil tersebut, sistem rekomendasi skripsi yang dikembangkan dapat digunakan sebagai pendukung proses pra-skripsi dalam menentukan bidang penelitian, mengecek penelitian terdahulu yang serupa, dan memperoleh rekomendasi dosen pembimbing, dengan keterbatasan pada judul lintas bidang dan pada bidang dengan kemiripan istilah yang tinggi.