Perpustakaan Digital ITB

Dinas Perpustakaan dan Kearsipan Daerah (Dispusipda) Provinsi Jawa Barat memiliki tantangan dalam membantu pemustaka menemukan buku yang relevan di tengah jumlah koleksi yang besar dan kebutuhan bacaan yang beragam. Katalog berbasis kata kunci belum sepenuhnya memberikan pencarian yang personal, terutama ketika pemustaka belum mengetahui judul, penulis, atau subjek secara spesifik. Data peminjaman perpustakaan memiliki tingkat data sparsity yang tinggi, sehingga pendekatan rekomendasi tunggal kurang optimal. Penelitian ini mengembangkan Advanced Hybrid Book Recommender System yang mengintegrasikan Collaborative Filtering berbasis ALS, Content-Based Filtering berbasis TF-IDF, Knowledge Graph Semantic Boost, Hybrid Scoring, dan Multi-Objective Re-ranking. Data yang digunakan mencakup 173.510 transaksi peminjaman bersih, 82.833 metadata eksemplar, dan 31.598 judul unik. Model dikembangkan dalam dua skenario, yaitu tanpa sinopsis dan dengan sinopsis. Evaluasi dilakukan secara offline menggunakan metrik relevance/ranking, seperti Precision@K, Recall@K, HitRate@K, NDCG@K, dan MAP@K, serta metrik beyond-accuracy, seperti Diversity@K, Novelty@K, Catalog Coverage, Synopsis Coverage, Explainability, Unexpectedness@K, Relevant Serendipity@K, dan Serendipity@K. Hasil penelitian menunjukkan bahwa model terbaik pada skenario tanpa sinopsis adalah CF = 0,05, CBF = 0,65, KG = 0,25, dan Novelty = 0,05, dengan objective score 0,898882, lalu skenario dengan sinopsis adalah CF = 0,60, CBF = 0,10, KG = 0,20, dan Novelty = 0,10, dengan objective score 0,965614. Temuan menunjukkan model tanpa sinopsis lebih stabil untuk implementasi awal karena metadata lebih merata, sedangkan model dengan sinopsis berpotensi dikembangkan lebih lanjut apabila cakupan sinopsis ditingkatkan. Penelitian ini menegaskan bahwa sistem rekomendasi perlu menyeimbangkan relevance/ranking dan beyond-accuracy agar mampu mendukung personalisasi layanan, eksplorasi koleksi, dan penemuan buku yang tidak terduga namun tetap relevan.