Pengembangan Sistem Rekomendasi Kelas Berbasis Hybrid: Studi Kasus Pada HiColleagues

• MUHAMAD TAUFIK SATYA
• 2025

---

Dalam era digital yang terus berkembang, kebutuhan akan sistem pembelajaran yang personal dan efisien menjadi semakin penting, khususnya pada platform pembelajaran daring seperti HiColleagues. Pengguna sering mengalami kesulitan dalam memilih kelas yang sesuai dengan minat, kemampuan, dan tujuan mereka karena banyaknya pilihan yang tersedia. Untuk mengatasi permasalahan tersebut, penelitian ini bertujuan mengembangkan sistem rekomendasi kelas berbasis hybrid yang menggabungkan metode collaborative filtering dan content-based filtering. Metode content-based filtering dilakukan dengan menganalisis atribut kelas menggunakan teknik TF-IDF dan cosine similarity, sedangkan collaborative filtering diterapkan menggunakan matrix factorization dengan Singular Value Decomposition (SVD). Skor rekomendasi dari kedua metode digabungkan secara weighted hybrid untuk meningkatkan akurasi dan relevansi rekomendasi, serta mengatasi masalah cold start dan data sparsity. Data yang digunakan berupa data kelas asli dari HiColleagues dan data pengguna sintetis berdasarkan pola umum yang diamati. Evaluasi sistem dilakukan menggunakan metrik akurasi dan keragaman rekomendasi. Hasil penelitian menunjukkan bahwa sistem rekomendasi hybrid yang dikembangkan mampu memberikan rekomendasi kelas yang lebih personal dan relevan, serta meningkatkan pengalaman pengguna dalam memilih kelas. Penelitian ini diharapkan dapat memberikan kontribusi bagi pengembangan sistem rekomendasi pada platform pembelajaran digital lainnya dan meningkatkan kualitas layanan pendidikan berbasis teknologi.

In the rapidly evolving digital era, the need for personalized and efficient learning systems is increasingly crucial, particularly on online learning platforms such as HiColleagues. Users often face difficulties in selecting classes that match their interests, abilities, and learning objectives due to the abundance of available options. To address this issue, this study aims to develop a hybrid class recommendation system that combines collaborative filtering and content-based filtering methods. The content-based filtering method analyzes class attributes using TF-IDF and cosine similarity techniques, while collaborative filtering is implemented using matrix factorization with Singular Value Decomposition (SVD). Recommendation scores from both methods are combined using a weighted hybrid approach to improve the accuracy and relevance of recommendations, as well as to address cold start and data sparsity problems. The data used includes actual class data from HiColleagues and synthetic user data based on common patterns observed. The system is evaluated using accuracy and diversity metrics. The results show that the developed hybrid recommendation system provides more personalized and relevant class recommendations, enhancing the user experience in class selection. This research is expected to contribute to the development of recommendation systems for other digital learning platforms and improve the quality of technology-based educational services.

• Sistem Rekomendasi
• Pembobotan Hybrid
• Kelas Pembelajaran Daring

https://repository.bsi.ac.id/repo/70462/Pengembangan-Sistem-Rekomendasi-Kelas-Berbasis-Hybrid:-Studi-Kasus-Pada-HiColleagues
File full-text dikunci.