Analisis Komparatif Embedding Semantik Berbasis Large Language Model Pada Sistem Rekomendasi Buku Serendipitous di Perpustakaan Kampus

Abstrak

Fenomena kelebihan informasi (information overload) di perpustakaan akademik sering kali menyulitkan pengguna dalam menemukan buku yang relevan, sehingga berdampak pada rendahnya minat baca. Di sisi lain, sistem rekomendasi konvensional rentan terhadap filter bubbles dan mengalami penurunan performa pada kondisi cold-start. Penelitian ini mengusulkan sistem rekomendasi sekuensial berbasis Self-Attention Based Sequential Recommendation (SASRec) yang diintegrasikan dengan lima model embedding semantik, yaitu Word2Vec, BERT Multilingual, OpenAI text-embedding-3-small, Gemini-embedding-001, dan Qwen3-Embedding-0.6B, untuk menghasilkan rekomendasi yang akurat sekaligus bersifat serendipity. Selain itu, algoritma Serendipity-Oriented Greedy (SOG) re-ranking diterapkan untuk menyeimbangkan relevansi dan serendipity rekomendasi. Dataset penelitian terdiri atas 14.502 data buku dan 5.445 riwayat interaksi pengguna setelah proses pembersihan data. Evaluasi dilakukan pada tiga skenario pengujian, yaitu all test set, warm test set, dan cold test set, dengan membandingkan seluruh varian model sebelum dan sesudah proses re-ranking. Hasil penelitian menunjukkan bahwa integrasi embedding berbasis Large Language Model (LLM) secara konsisten meningkatkan performa dibandingkan SASRec standar dan embedding tradisional. Model Qwen3-Embedding-0.6B memberikan performa terbaik dengan peningkatan HitRate@10 hingga 282,9% dan NDCG@10 hingga 387,8%, serta mempertahankan stabilitas semantik pada skenario cold-start dengan nilai UnSerendipity@K sebesar 0,613. Penerapan SOG re-ranking menunjukkan adanya trade-off antara akurasi dan keberagaman rekomendasi dimana pembobotan ringan menghasilkan keseimbangan optimal, sedangkan pembobotan yang terlalu agresif menurunkan relevansi secara signifikan. Kontribusi utama penelitian ini terletak pada integrasi embedding LLM modern ke dalam arsitektur rekomendasi sekuensial untuk meningkatkan akurasi dan ketahanan cold-start, sekaligus mengevaluasi pengaruh strategi serendipity re-ranking terhadap keseimbangan relevansi dan keberagaman rekomendasi. Dengan demikian, penelitian ini berhasil menghasilkan sistem rekomendasi perpustakaan yang lebih cerdas, adaptif, dan seimbang antara akurasi serta serendipity.