SISTEM REKOMENDASI TOPIK SKRIPSI PRODI INFORMATIKA

Lukas Kurniawan (2023) SISTEM REKOMENDASI TOPIK SKRIPSI PRODI INFORMATIKA. Bachelor thesis, Universitas Kristen Duta Wacana.

	Text (Skripsi Informatika) 71190413_bab1_bab5_daftarpustaka.pdf Download (1MB)
	Text (Skripsi Informatika) 71190413_bab2-sd-bab4_lampiran.pdf Restricted to Registered users only Download (5MB) | Request a copy

Abstract

Salah satu syarat kelulusan kuliah adalah lulus skripsi. Pada skripsi, mahasiswa perlu menentukan topik skripsi. Topik skripsi yang ditentukan, menjadi dasar untuk membuat judul skripsi. Penentuan topik adalah hal yang penting pada skripsi, karena topik yang tepat akan mengurangi kendala dalam membuat skripsi. Penulis melakukan analisa terhadap persentase nilai E pada nilai mata kuliah seminar dan skripsi. Hasil analisis menunjukkan terdapat 21.6% dari 351 mahasiswa seminar yang mendapat nilai E dan 61.25% dari 240 mahasiswa yang belum dapat lulus skripsi. Hal tersebut menunjukkan mahasiswa belum memiliki kesiapan dalam mengerjakan skripsi. FTI UKDW (Fakultas Teknologi Informasi Universitas Kristen Duta Wacana) ingin membuat sistem rekomendasi topik skripsi agar mahasiswa dapat memilih topik skripsi dengan tepat. Sistem rekomendasi topik skripsi dibangun menggunakan data warehouse FTI UKDW. Sistem rekomendasi topik skripsi dibuat menggunakan kombinasi antara K-Means++, PCA (principal component analysis), cosine similarity dan LDA (Latent Dirichlet Allocation) Gibbs sampling. Sistem rekomendasi diimplementasikan ke dalam suatu website menggunakan Laravel. Website dapat diakses secara online oleh mahasiswa menggunakan perangkat komputer atau laptop. Hasil penelitian, menunjukkan sistem rekomendasi topik skripsi dapat dibuat menggunakan kombinasi K-Means++, PCA, cosine similarity, dan LDA Gibbs sampling. Model K-Means++ menghasilkan 4 klaster yang didapat dari analisa menggunakan elbow method. LDA Gibbs sampling diimplementasikan dengan iterasi maksimal sebanyak 10 dan jumlah topik sebanyak 20 serta jumlah maksimal dokumen yang dapat diproses adalah 29. Penggunaan PCA untuk mengurangi jumlah dimensi pada data dapat menghasilkan model K-Means++ yang tidak berbeda yang menggunakan data latih yang utuh. Selain itu, sistem mampu memberikan rekomendasi topik skripsi dengan tepat terhadap mahasiswa angkatan 2019. Hal tersebut dibuktikan dengan hasil analisis UEQ dan evaluasi terhadap model K-Means++ dan LDA yang telah dilakukan.

Actions (login required)

View Item