Pengembangan sistem rekomendasi materi pembelajaran menggunakan pendekatan Knowledge Graph dan Content-Based Filtering

Fadil, Riza Anwar (2026) Pengembangan sistem rekomendasi materi pembelajaran menggunakan pendekatan Knowledge Graph dan Content-Based Filtering. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text 1_cover.pdf Download (202kB) | Preview
Preview	Text 2_abstrak.pdf Download (193kB) | Preview
Preview	Text 3_skbebasplagiarism.pdf Download (594kB) | Preview
Preview	Text 4_daftarisi.pdf Download (245kB) | Preview
Preview	Text 5_bab1.pdf Download (413kB) | Preview
	Text 6_bab2.pdf Restricted to Registered users only Download (492kB) | Request a copy
	Text 7_bab3.pdf Restricted to Registered users only Download (688kB) | Request a copy
	Text 8_bab4.pdf Restricted to Registered users only Download (943kB) | Request a copy
	Text 9_bab5.pdf Restricted to Registered users only Download (222kB) | Request a copy
	Text 10_daftarpustaka.pdf Restricted to Registered users only Download (234kB) | Request a copy
	Text 11_lampiran.pdf Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Penerapan kurikulum Outcome-Based Education (OBE) di perguruan tinggi menuntut pengukuran ketercapaian kompetensi mahasiswa secara terukur dan spesifik berdasarkan Sub-CPMK. Namun, hasil evaluasi pembelajaran saat ini umumnya masih disajikan dalam bentuk nilai gabungan secara keseluruhan, sehingga belum mampu memberikan umpan balik belajar yang sesuai dengan kebutuhan masing-masing mahasiswa. Di sisi lain, sistem rekomendasi pembelajaran digital berbasis Content-Based Filtering (CBF) konvensional memiliki keterbatasan dalam menggambarkan hubungan antarkonsep materi serta urutan prasyarat dalam kurikulum. Penelitian ini mengusulkan solusi yang menggabungkan Knowledge Graph (KG) dan Content-Based Filtering menggunakan Jaccard Similarity untuk menghasilkan rekomendasi materi pembelajaran yang sesuai dengan kemampuan setiap mahasiswa. Metode penelitian yang digunakan adalah Design Science Research (DSR). Large Language Model (LLM) diterapkan melalui teknik prompt engineering untuk mengambil konsep utama dari struktur kurikulum dan mengelompokkan materi video pembelajaran secara otomatis ke dalam graf. Sistem diuji melalui tiga skenario rekomendasi, yaitu remedial, penguatan materi, dan pembelajaran lanjutan pada mata kuliah Sistem Multimedia. Hasil pengujian dengan penilaian ahli menunjukkan bahwa sistem berhasil memberikan rekomendasi materi yang sangat relevan, dengan rata-rata nilai Precision@5 sebesar 0,786 dan kualitas urutan rekomendasi (NDCG@5) sebesar 0,856. Secara keseluruhan, sistem ini terbukti efektif dalam mendukung pembelajaran yang disesuaikan untuk tiap individu serta membantu pencapaian kurikulum berbasis OBE secara terarah.

Actions (login required)

View Item