Sistem Rekomendasi Dosen Pembimbing Dua Arah Menggunakan MapReduce K-Skyband View Queries.

Abstract

Penyelesaian pendidikan tepat waktu adalah indikator penting kualitas sebuah perguruan tinggi. Namun, banyak mahasiswa menghadapi kesulitan dalam menemukan topik penelitian yang relevan dan dosen pembimbing yang sesuai, yang menghambat mereka dalam menyelesaikan studi tepat waktu. Sistem rekomendasi dosen pembimbing dua arah merupakan sistem rekomendasi yang mempertimbangkan preferensi dari dosen dan mahasiswa. Penelitian ini mengembangkan model rekomendasi dua arah menggunakan metode MapReduce k-skyband view queries untuk membantu dalam pemilihan dosen pembimbing. Model ini mengintegrasikan data silabus mata kuliah dan dokumen tugas akhir untuk menghasilkan rekomendasi topik penelitian yang relevan, serta menangkap preferensi mahasiswa secara otomatis berdasarkan nilai akademik mereka. Sedangkan untuk menentukan preferensi dosen, digunakan proses kemiripan dalam hal kemampuan akademik antara alumni hasi bimbingan dengan mahasiswa calon bimbingan. Penelitian ini memperbaiki beberapa kekurangan dari penelitian sistem rekomendasi sebelumnya, yang menggunakan metode skyline view queries dan skyband view queries. Penelitian dengan metode skyline mengakibatkan adanya mahasiswa dan dosen yang tidak mendapatkan rekomendasi, sedangkan dengan metode skyband dapat memperluas cakupan rekomendasi, namun hal tersebut meningkatkan waktu proses rekomendasi. Oleh karena itu penelitian ini menggunakan metode MapReduce k-skyband untuk melakukan optimasi terhadap waktu proses. Selain itu, penelitian ini juga memperbaiki proses ekstraksi kata kunci dengan bantuan ontologi untuk memastikan topik yang direkomendasikan tetap up to date berdasarkan silabus mata kuliah yang diterapkan. Perbaikan yang lain terhadap penelitian sebelumnya adalah memperbaiki proses mendapatkan minat mahasiswa terhadap topik penelitian. Pada penelitian sebelumnya topik penelitian hasil ekstraksi ditawarkan kepada mahasiswa, sedangkan pada penelitian ini menggunakan cara otomatis tanpa perlu bertanya kepada mahasiswa dengan menggunakan nilai mata kuliah yang baik. Tahapan penelitian meliputi praproses data, ekstraksi kata kunci, pembentukan personalisasi pengguna, pembentukan tabel mahasiswa dan tabel dosen, membangun model rekomendasi, membuat antarmuka web, dan evaluasi. Praproses data dilakukan dengan metode pemrosesan teks, di antaranya tokenisasi, stemming, stopword, dan n-gram. Kata kunci untuk topik penelitian dihasilkan melalui proses Term Frequency-Inverse Document Frequency (TF-IDF) dan jaccard similarity. Personalisasi pengguna merupakan proses penentuan minat mahasiswa terhadap topik penelitian menggunakan nilai akademik mahasiswa yang baik. Model rekomendasi dibangun menggunakan metode MapReduce k-skyband view queries. Antarmuka web dibangun menggunakan Flask Python. Evaluasi dilakukan dengan dua metode, yaitu membandingkan waktu komputasi antara dua model rekomendasi, serta mengukur sistem rekomendasi menggunakan kuesioner yang mengukur relevance, diversity, serendipity, dan novelty. Hasil penelitian menunjukkan bahwa penggunaan algoritma MapReduce k-skyband efektif dalam meningkatkan efisiensi waktu proses rekomendasi dibandingkan dengan model k-skyband dengan algoritma Block Nested Loop (BNL). Proses MapReduce dikembangkan dengan bahasa Python 3.10 dalam satu lingkungan komputer dengan memanfaatkan kemampuan maksimal CPU, sehingga penelitian ini menggunakan jumlah pekerja berdasarkan jumlah CPU. Jumlah rekomendasi maksimum pada penelitian ini diperoleh dengan nilai k=16. Evaluasi terhadap sistem rekomendasi ini menunjukkan skor rata-rata yang baik dalam aspek relevance, diversity, serendipity, dan novelty. Selain itu, berdasarkan evaluasi, sistem rekomendasi ini memberikan pengalaman yang memuaskan bagi mahasiswa. Dengan demikian, model rekomendasi ini memiliki potensi besar untuk mendukung pengambilan keputusan yang lebih baik dalam pemilihan topik penelitian, mahasiswa, dan dosen pembimbing di lingkungan akademik.

Timely completion of education is an important indicator of a university's quality. However, many students face difficulties in finding relevant research topics and suitable supervisors, which hinders their ability to complete their studies on time. A two-way supervisor recommendation system considers the preferences of both supervisors and students. This research develops a two-way recommendation model using MapReduce k-skyband view queries to assist in the selection of supervisors. The model integrates course syllabus data and thesis documents to generate relevant research topic recommendations and automatically capture student preferences based on their academic grades. To determine supervisor preferences, a similarity process is used, comparing the academic capabilities of alumni with those of prospective students. This research addresses several shortcomings of previous recommendation system studies, which used skyline view queries and skyband view queries. The skyline method resulted in some students and supervisors not receiving recommendations, while the skyband method expanded the recommendation coverage but increased the processing time. Therefore, this study uses the MapReduce k-skyband method to optimize processing time. Additionally, this study improves the keyword extraction process with the help of ontology to ensure that recommended topics are up to date based on the implemented course syllabus. Another improvement over previous studies is the process of obtaining student interest in research topics. In previous studies, extracted research topics were offered to students, whereas this study uses an automatic method based on good course grades without needing to ask students directly. The research stages include data preprocessing, keyword extraction, user personalization, creating student and supervisor tables, building the recommendation model, developing a web interface, and evaluation. Data preprocessing is done using text processing methods such as tokenization, stemming, stopword removal, and n-gram. Keywords for research topics are generated through Term Frequency-Inverse Document Frequency (TF-IDF) and Jaccard similarity processes. User personalization involves determining students' interest in research topics using their good academic grades. The recommendation model is built using MapReduce k-skyband view queries, and the web interface is developed using Flask Python. Evaluation is conducted using two methods: comparing computation time between two recommendation models and measuring the recommendation system using a questionnaire that assesses relevance, diversity, serendipity, and novelty. The research results show that the use of the MapReduce k-skyband algorithm effectively improves recommendation processing time efficiency compared to the k-skyband model with the Block Nested Loop (BNL) algorithm. The MapReduce process is developed using Python 3.10 in a single computer environment, utilizing the maximum CPU capability, with the number of workers based on the number of CPUs. The maximum number of recommendations in this study is obtained with a value of k=16. The evaluation of the recommendation system shows a good average score in terms of relevance, diversity, serendipity, and novelty. Additionally, based on the evaluation, this recommendation system provides a satisfying experience for students. Thus, this recommendation model has great potential to support better decision-making in selecting research topics, students, and supervisors in an academic environment.