View/Open

Author
UKASYAH, MUNTAHA

Date Published
16 Oct 2026

Advisor
Ade Lailani, S.Si., M.Si.,
Ardika Satria, S.Si., M.Si.,

Subject
Sains Data

Publisher

Peningkatan konsumsi berita melalui media digital menyebabkan bertambahnya jumlah artikel yang dipublikasikan setiap hari sehingga memunculkan fenomena information overload. Kondisi ini mendorong perlunya sistem rekomendasi berita yang mampu menyajikan informasi sesuai preferensi pengguna. Namun, sistem rekomendasi berita menghadapi tantangan seperti data sparsity, long-tail distribution, dan cold-start news. Selain itu, model collaborative filtering umumnya belum memanfaatkan informasi semantik yang terkandung dalam berita. Penelitian ini mengusulkan pendekatan semantic-aware LightGCN++ dengan memanfaatkan representasi semantik berbasis Global Vectors for Word Representation (GloVe) sebagai initial item embedding. Representasi semantik dibentuk dari judul berita menggunakan GloVe 300 dimensi, kemudian diproyeksikan ke dimensi embedding sebesar 64 selama proses pelatihan model. Selanjutnya, propagasi embedding dilakukan menggunakan LightGCN++ dengan mekanisme adaptive normalization melalui parameter α, β, dan γ. Penelitian menggunakan Microsoft News Dataset (MIND) dan melakukan hyperparameter tuning terhadap 27 kombinasi parameter. Hasil pengujian menunjukkan bahwa kombinasi parameter terbaik diperoleh pada α = 0, 4, β = 0, 1, dan γ = 0, 2. Evaluasi pada data uji menghasilkan nilai Recall@20 sebesar 0,1050 dan NDCG@20 sebesar 0,0602. Hasil tersebut menunjukkan bahwa integrasi representasi semantik berbasis GloVe dan propagasi embedding adaptif pada LightGCN++ mampu menghasilkan rekomendasi berita yang relevan dengan memanfaatkan informasi semantik dan informasi kolaboratif secara bersamaan.

URI
https://repo.itera.ac.id/depan/submission/SB2610080013

Keyword
GloVe LightGCN++ MIND Representasi Semantik Sistem Rekomendasi Berita