Implementasi Latent Dirichlet Allocation (LDA) dalam Sistem Rekomendasi Topik Tugas Akhir Berbasis Cookie (Studi Kasus: Program Studi Teknik Informatika)

Pemilihan topik tugas akhir dalam ranah akademik merupakan tahap krusial bagi mahasiswa dalam menempuh jenjang pendidikan tinggi. Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi topik tugas akhir yang mengkombinasikan model topik Latent Dirichlet Allocation (LDA) dengan personalisasi cookie. Metode LDA digunakan untuk ekstraksi topik, sedangkan pendekatan cookie bertujuan untuk menyimpan preferensi pengguna dalam melakukan personalisasi. Sistem rekomendasi dibangun berdasarkan 200 data tugas akhir Program Studi Teknik Informatika dan diuji menggunakan metrik perplexity untuk menentukan model topik optimal dan metrik Click-Through Rate (CTR) untuk mengukur efektivitas hasil rekomendasi yang dilakukan kepada 5 partisipan. Hasil perplexity menunjukkan model optimal berada pada 22 topik, yang kemudian diintegrasikan ke dalam sistem rekomendasi dengan mempertimbangkan preferensi pengguna. Evaluasi performa dengan CTR dilakukan melalui tiga skema pengujian, yaitu baseline (topik saja), personalisasi, dan kombinasi. Hasil menunjukkan bahwa baseline menghasilkan CTR sebesar 2.2%, skema personalisasi mencapai 6.0%, dan kombinasi topik serta preferensi memperoleh CTR tertinggi sebesar 15.6%. Temuan ini menunjukkan bahwa model topik yang dipilih tidak hanya optimal secara statistik, tetapi juga relevan secara praktis terhadap kebutuhan pengguna. Penelitian ini menyimpulkan bahwa integrasi model topik dengan preferensi pengguna mampu meningkatkan relevansi rekomendasi secara signifikan.