ANALISIS PERBANDINGAN COSINE SIMILARITY DAN JACCARD SIMILARITY PADA SISTEM REKOMENDASI ARTIKEL ILMIAH BERBASIS TF-IDF

Abstract

Peningkatan jumlah publikasi ilmiah saat ini sering kali memicu fenomena kelebihan informasi (information overload). Kondisi ini menimbulkan permasalahan bagi para peneliti, terutama mahasiswa tingkat akhir, berupa kesulitan dalam menemukan literatur yang relevan. Oleh karena itu, penelitian ini bertujuan untuk membangun sebuah sistem rekomendasi artikel ilmiah berbasis Content-Based Filtering guna mempermudah proses pencarian referensi yang tepat sasaran. Penelitian ini menggunakan metode Term Frequency–Inverse Document Frequency (TF-IDF) sebagai bentuk representasi dokumen teks. Sebelum proses pembobotan, data teks diekstraksi melalui tahapan prapemrosesan yang meliputi pembersihan (cleaning), penyeragaman huruf (case folding), penghapusan kata umum (stopword removal), dan pemotongan imbuhan (stemming). Selanjutnya, pengukuran kemiripan antarartikel diuji menggunakan dua metode komparasi, yaitu Cosine Similarity dan Jaccard Similarity. Hasil penelitian menunjukkan bahwa algoritma Cosine Similarity memberikan performa yang lebih unggul dibandingkan Jaccard Similarity. Berdasarkan hasil evaluasi, Cosine Similarity memperoleh nilai presisi (precision) dan recall yang lebih tinggi, sehingga terbukti lebih efektif untuk diimplementasikan pada sistem rekomendasi literatur berbasis teks.