IMPLEMENTASI CONTENT-BASED FILTERING UNTUK REKOMENDASI JURNAL SCOPUS BIDANG COMPUTER SCIENCE

Publikasi di jurnal internasional yang terindeks, seperti Scopus, menjadi tantangan signifikan bagi para peneliti, terutama dalam memilih jurnal yang sesuai dengan topik penelitian mereka. Kesulitan ini disebabkan oleh keterbatasan informasi, pencarian manual yang memakan waktu, serta kurangnya pertimbangan terhadap aspek lainnya. Penelitian ini mengusulkan sistem rekomendasi berbasis Content-Based Filtering untuk mempermudah peneliti dalam menemukan jurnal yang relevan. Sistem ini menggunakan prapemrosesan teks, TF-IDF untuk representasi teks, SVD untuk reduksi dimensi, dan Cosine Similarity untuk menghitung kemiripan antara abstrak serta kata kunci karya ilmiah dengan fokus dan ruang lingkup jurnal. Sistem ini memberikan 15 rekomendasi jurnal teratas yang diurutkan berdasarkan kemiripan tertinggi, dengan fitur pengurutan berdasarkan atribut lain seperti cite score, quantile, dan APC. Keunggulan sistem ini terletak pada kemampuannya menghasilkan rekomendasi jurnal yang relevan secara semantik, dengan memperhitungkan faktor-faktor penting. Hasil evaluasi juga menunjukkan bahwa model TF-IDF dengan SVD lebih unggul dibandingkan model yang hanya menggunakan TF-IDF, dengan Hit Rate@15 mencapai 90%, NDCG@15 sebesar 0,502, MRR sebesar 0,382, dan Mean Cosine similarity sebesar 0,800, yang lebih tinggi dari model TF-IDF saja yang hanya mencatatkan Hit Rate@15 mencapai 63%, DCG@15 sebesar 0,326, dan MRR sebesar 0,237. Hal ini menunjukkan bahwa model TF-IDF dengan SVD lebih efektif dalam memberikan rekomendasi jurnal yang relevan dan terurut berdasarkan kesamaan semantik. Penelitian ini diharapkan dapat mempermudah peneliti dalam menemukan jurnal yang relevan dan meningkatkan efisiensi publikasi.