Optimasi Sistem Rekomendasi Pencarian Artikel Ilmiah TIK Menggunakan BERT

Abstract

Sistem rekomendasi artikel ilmiah tradisional menghadapi kendala dalam memahami konteks semantik dari query pencarian pengguna. Penelitian ini bertujuan mengembangkan sistem rekomendasi pencarian artikel ilmiah bidang Teknologi Informasi dan Komunikasi menggunakan model BERT untuk meningkatkan akurasi pencarian berbasis pemahaman semantik. Metode yang digunakan meliputi web scraping Portal Garuda untuk mengumpulkan 2345 artikel unik, preprocessing menggunakan BERT multilingual, pembentukan Vector Space Model, dan perhitungan similarity menggunakan Cosine Similarity. Sistem dievaluasi menggunakan metrik Precision, Recall, dan F-Measure. Hasil pengujian menunjukkan sistem mampu mencapai Precision 100% dengan F-Measure 76.92% untuk query "aplikasi kesehatan" dan F-Measure 90.91% untuk query "AI". Sistem berhasil memahami konteks semantik tanpa bergantung pada pencocokan kata kunci literal, mampu mengidentifikasi artikel relevan dari berbagai subdomain, dan menampilkan hasil yang beragam namun tetap relevan. Penelitian ini membuktikan efektivitas BERT dalam meningkatkan kualitas sistem rekomendasi artikel ilmiah berbasis pemahaman semantik kontekstual.