TA DIGITAL
Perancangan Sistem Rekomendasi Tempat Magang Berdasarkan Kesesuaian Skill Berbasis NLP = Design of an Internship Recommendation System Based on Skill Compatibility Using NLP
ABSTRAK
Alvina Putri Aulia dan Rahma Setianing Puji Ashariyanti, "Perancangan Sistem Rekomendasi Tempat Magang Berdasarkan Kesesuaian Skill Berbasis NLP", Tugas Akhir DIII Program Studi Teknik Informatika, Jurusan Teknik Elektro Politeknik Negeri Semarang, di bawah bimbingan Tri Raharjo Yudantoro, S.Kom., M.Kom., dan Wiktasari, S.T., M.Kom., Juli 2026
Pemilihan tempat magang yang sesuai dengan skill merupakan masalah yang sering dialami mahasiswa, sebab mahasiswa umumnya memilih tempat magang berdasarkan rekomendasi teman atau popularitas perusahaan tanpa mempertimbangkan kesesuaian kompetensi yang dimiliki. Akibatnya, mahasiswa dapat mengalami kondisi kekurangan kompetensi atau kelebihan kompetensi yang tidak dimanfaatkan secara optimal selama magang. Selain itu, pengalaman mahasiswa yang telah menjalani magang berupa rating dan review belum dimanfaatkan secara optimal sebagai pertimbangan dalam memilih tempat magang. Untuk mengatasi masalah tersebut, dibangun sistem rekomendasi tempat magang berbasis web bernama SINARA yang mengombinasikan pendekatan Content-Based Filtering menggunakan model IndoBERT untuk mengukur kesesuaian skill mahasiswa dengan kebutuhan tempat magang, dan Collaborative Filtering berbasis rating serta umpan balik alumni, melalui formula hybrid dengan bobot 60% kesesuaian skill dan 40% skor rating. Sistem dibangun dengan arsitektur tiga lapis yaitu frontend Next.js, backend Laravel, dan layanan NLP FastAPI, serta menggunakan data yang disimpan dalam basis data MySQL. Fitur pada sistem ini di antaranya menghasilkan rekomendasi tempat magang beserta matched_skills dan missing_skills sebagai panduan pengembangan kompetensi, serta menyediakan mekanisme input feedback alumni dan verifikasi admin. Sistem ini dibangun dengan metode Waterfall untuk siklus pengembangan perangkat lunak dan CRISP-DM untuk tahapan pengolahan data serta pembangunan model rekomendasi. Pengujian dilakukan dengan metode black box untuk menguji fungsionalitas fitur, pengujian kuantitatif model rekomendasi menggunakan metode Leave-One-Out Cross Validation, serta pengujian penerimaan pengguna menggunakan kuesioner. Hasil pengujian menunjukkan bahwa mekanisme penyaringan kandidat berdasarkan kategori minat mampu meningkatkan Top-1 Accuracy dari 39,24% menjadi 71,35%. Sistem ini telah diuji dengan kuesioner oleh 25 responden dan didapatkan hasil persentase penerimaan pengguna sebesar 89,92% yang berarti pengguna merasa puas dengan sistem ini.
Kata kunci: Sistem Rekomendasi, Magang, Natural Language Processing, IndoBERT, Hybrid Recommendation, Content-Based Filtering, Collaborative Filtering
Tidak tersedia versi lain
Karya Umum 
Filsafat 
Agama 
Ilmu-ilmu Sosial 
Bahasa 
Ilmu-ilmu Murni 
Ilmu-ilmu Terapan 
Kesenian, Hiburan, dan Olahraga 
Kesusastraan 
Geografi dan Sejarah