Sistem Scoring Tugas Akhir Berdasarkan Kemiripan Semantik Judul Dan Deskripsi Menggunakan Indobert

Counts differ because each database indexes a different set of publications. We treat OpenAlex as the canonical count; Google Scholar is not shown (no API, and crawling it violates its ToS).

Evaluasi awal usulan tugas akhir umumnya masih dilakukan secara manual sehingga memerlukan waktu yang lama dan berpotensi menghasilkan penilaian yang kurang konsisten. Penelitian ini bertujuan mengembangkan sistem berbasis kemiripan semantik menggunakan IndoBERT yang dioptimalkan dengan pendekatan SimCSE untuk membantu mengidentifikasi tingkat kemiripan dan keunikan usulan tugas akhir. Model dilatih menggunakan tiga jenis pasangan positif dan dievaluasi pada skenario judul, deskripsi, serta gabungan keduanya menggunakan metrik Precision@5, Recall@5, dan F1-Score@5. Hasil penelitian menunjukkan bahwa optimasi model meningkatkan selisih rata-rata nilai cosine similarity antara pasangan positif dan negatif dari 0,040 menjadi 0,5412. Skenario deskripsi dan gabungan menghasilkan F1-Score@5 tertinggi sebesar 0,71 pada threshold 0,6. Model kemudian berhasil diimplementasikan pada aplikasi berbasis web dan memperoleh tingkat penerimaan pengguna sebesar 84,40%. Hasil tersebut menunjukkan bahwa pendekatan SimCSE efektif dalam mendukung evaluasi awal usulan tugas akhir secara lebih cepat dan objektif.