REKOMENDASI JURNAL SCOPUS DENGAN MENGGUNAKAN CONTENT BASED FILTERING DAN SENTENCE BIDIRECTIONAL ENCODER REPRESENTATIONS TRANSFORMERS

Peningkatan kebutuhan publikasi karya ilmiah pada jurnal terindeks Scopus menjadi tantangan tersendiri bagi peneliti, terutama dalam memilih jurnal yang relevan dengan topik penelitian. Banyaknya artikel beserta jurnal yang bertebaran di internet juga semakin membuat peneliti kesulitan memilahnya. Penelitian ini mengusulkan sistem rekomendasi jurnal berbasis metode Content-Based Filtering dengan model Sentence Bidirectional Encoder Representations Transformers (S-BERT) untuk menghasilkan rekomendasi yang akurat. Dataset yang digunakan berasal dari jurnal bidang Computer Science yang terindeks Scopus, dengan atribut utama Focus and Scope untuk mencocokkan abstrak penelitian pengguna. Proses rekomendasi melibatkan preprocessing teks, representasi vektor menggunakan S-BERT, serta penghitungan tingkat kemiripan menggunakan Cosine Similarity. Sistem ini dirancang untuk menampilkan Top 15 jurnal yang relevan berdasarkan skor kemiripan, dengan opsi pengurutan tambahan berdasarkan Cite Score (skor sitasi), Quantile (indeksasi Scopus), Impact Factor (pengaruh jurnal berdasarkan sitasi) maupun APC (biaya publikasi). Evaluasi menggunakan Hit Rate@15, MRR (Mean Reciprocal Rank), dan NDCG@15 menunjukkan bahwa metode berbasis S-BERT mencapai performa terbaik dengan rata-rata Hit Rate sebesar 93,33%, MRR sebesar 0,33 dan NDCG sebesar 0,461, mengungguli metode tradisional seperti TF-IDF. Temuan ini membuktikan bahwa pendekatan berbasis pembelajaran representasi semantik lebih cocok dalam merekomendasikan jurnal yang relevan dengan abstrak dan focus and scope dibandingkan metode berbasis frekuensi kata.