ABSTRAKSI: Mahasiswa dalam memilih suatu mata kuliah pilihan biasanya memiliki minat atau kriteria tertentu. Di IT TELKOM sendiri untuk jurusan teknik informatika memiliki mata kuliah yang beragam dan masing-masing memiliki karakteristik yang berbeda. Berbagai macam pilihan ini terkadang dapat membuat mahasiswa bingung untuk memilih mata kuliah pilihan. Maka dibangun suatu recommender system akademik yang merupakan sistem untuk membantu mahasiswa dengan memberikan rekomendasi mata kuliah pilihan.
Sistem yang dibangun menggunakan metode content-based, yang hasil rekomendasi dibangun berdasarkan profil user tanpa terpengaruh dengan user lain. metode ini menggunakan representasi ruang vektor untuk memberi nilai similarity antar dokumen dalam kasus ini yaitu mata kuliah pilihan. Namun, berbeda dengan sistem yang menggunakan tf-idf sebagai term weighting, dalam tugas akhir ini dibangun sistem dengan menggunakan BM25-TFIDF sebagai metode term weighting dengan tetap menggunakan cosine similarity untuk perhitungan similarity.
Pada percobaan yang dilakukan dengan sistem yang dibangun pada tugas akhir ini menunjukkan bahwa dengan metode BM25-TFIDF hasil akurasi rekomendasi lebih tinggi daripada menggunakan tfidf.Kata Kunci : term weighting, tf-idf, bm25, recommender system, academic, content-basedABSTRACT: In order to choose a selective course, usually student has a interest or some criteria. At IT TELKOM, informatics engineering has a various course and each of them has a different characteristics. Sometimes with many choice can make a student unsure for choosing a selective course. So, academic recommender system is build to help the student by giving a selective course recommendations.
The system is build using a content-based method which is the result of the recommendation based on user profile without influence other user. This method using a vector space representation for giving a similarity value between documents, in this case a selective courses. However, different with system with tfidf for term weighting, in this project using a BM25-TFIDF for term weighting but still use cosine similarity to calculate the similarity
The result of the experiments shows that the BM25-TFIDF has a higher accuration than tfidf.Keyword: term weighting, tf-idf, bm25, recommender system, academic, content-based