View/Open

Author

Date Published
14 Jul 2026

Advisor
Christyan Tamaro Nadeak, S.Si., M.Si.,
Fajri Farid, M.Sc.,

Subject
Sains Data

Publisher

Pertumbuhan informasi memicu masalah information overload pada platform berita daring. Metode Collaborative Filtering (CF) konvensional kerap kurang efektif akibat masalah pengguna baru (cold-start) dan ketidakmampuannya menangkap konteks semantik. Penelitian ini mengusulkan arsitektur hibrida yang menggabungkan Graph Neural Network (GNN) varian GraphSAGE dan CF untuk mengoptimalkan pemeringkatan rekomendasi berita pada Microsoft News Dataset (MIND). Fitur semantik berita diekstraksi menggunakan Sentence-BERT (SBERT) sebagai inisialisasi node graf. Tingginya ketidakseimbangan interaksi diatasi melalui penerapan penalti asimetris (pos_weight 22,94) pada Binary Cross-Entropy Loss, dipadukan dengan mekanisme early stopping guna mencegahover-smoothing dan mengatasi fenomena loss-metric mismatch. Hasil evaluasi menggunakan hiperparameter optimal membuktikan model berhasil mencapai skor Area Under Curve (AUC) 0,6503, Normalized Discounted Cumulative Gain (nDCG@10) 0,3421, dan Hit Ratio(Hit@10) 66,20%. Lebih lanjut, pengujian skalabilitas melalui perluasan recommender window hingga cakupan Top-20 mencatatkan lonjakan metrik Hit@20 menjadi 82,74

URI
https://repo.itera.ac.id/depan/submission/SB2610120017

Keyword
Sistem Rekomendasi Graph Neural Network GraphSAGE Sentence-BERT Imbalanced Data Top-K Recommendation