Kuliah Aljabar Linear dan Sistem Rekomendasi Artikel Ilmiah Berbasis Web Menggunakan Content-based Learning dan Collaborative Filtering

Pertemuan Aljabar Linear kali ini terasa berbeda dari biasanya. Jika sebelumnya kami lebih banyak berkutat dengan rumus dan perhitungan matematis, kali ini suasananya jauh lebih aplikatif dan membuka wawasan baru. Pertemuan dibuka dengan presentasi dari empat mahasiswa yang menyampaikan hasil analisis jurnal yang telah mereka pelajari.

Setelah itu, Bapak Natalis Ransi, S.Si., M.Cs. memberikan penjelasan menarik tentang bagaimana konsep-konsep dasar Aljabar Linear—seperti vektor, matriks, dan ruang vektor—ternyata menjadi fondasi penting bagi teknologi-teknologi canggih masa kini, seperti mesin pencari informasi dan kecerdasan buatan (AI).

Salah satu penerapannya dapat ditemukan dalam pemrosesan teks. Di sini, dokumen direpresentasikan sebagai vektor di ruang vektor. Melalui teknik TF-IDF (Term Frequency–Inverse Document Frequency), kata-kata dalam sebuah dokumen diberi bobot berdasarkan tingkat kepentingannya. Kata-kata umum seperti “dan” atau “adalah” akan diberi bobot kecil, sementara kata-kata yang lebih spesifik akan diberi bobot tinggi.

Untuk mengukur sejauh mana kemiripan antara dua dokumen, digunakan metode Cosine Similarity. Metode ini menghitung sudut antara dua vektor teks. Semakin kecil sudutnya—atau semakin mendekati nilai 1—maka semakin mirip kedua dokumen tersebut. Sebagai contoh, kalimat “Saya suka belajar informatika” dan “Belajar informatika itu menyenangkan” bisa memiliki nilai cosine similarity sekitar 0.98, yang menunjukkan kemiripan tinggi secara makna.

Hal ini menunjukkan bahwa Aljabar Linear bukan hanya soal angka dan rumus, melainkan juga punya peran besar dalam membangun teknologi yang kita gunakan sehari-hari, terutama dalam pengolahan bahasa dan data.

Sebagai kelanjutan dari pembelajaran ini, kami pun diberi tugas untuk mencari jurnal yang berkaitan dengan contoh aplikasi nyata vektor dalam empat bidang berikut:

- Google search: mengukur kemiripan antara query dan halaman web.
- Sistem rekomendasi artikel/berita.
- Plagiarisme checker: membandingkan isi dua dokumen.
- Chatbot/NLP: mencocokkan maksud user dengan basis knowledge.

Saya sendiri memilih jurnal berjudul:  
"Sistem Rekomendasi Artikel Ilmiah Berbasis Web Menggunakan Content-based Learning dan Collaborative Filtering."

Sebagai mahasiswa, kita sering merasa kewalahan ketika harus mencari referensi yang relevan. Jumlah artikel ilmiah yang tersedia secara daring sangat banyak, dan tidak semuanya sesuai dengan kebutuhan. Di sinilah sistem rekomendasi hadir untuk membantu. Mirip seperti Netflix yang merekomendasikan film, sistem ini menyarankan artikel ilmiah yang relevan dengan minat kita.

Penelitian yang saya baca mengembangkan sistem rekomendasi berbasis web dengan dua pendekatan utama:

1. Content-based Learning, yaitu sistem yang mencari artikel yang mirip dari segi isi. Misalnya, jika kita membaca artikel tentang machine learning, sistem akan menyarankan artikel lain yang juga membahas topik tersebut.

2. Collaborative Filtering, di mana sistem mempelajari pola dan preferensi dari pengguna lain yang memiliki minat serupa. Sistem ini akan memberikan rekomendasi berdasarkan apa yang disukai oleh pengguna-pengguna tersebut.