Prediksi Kolaborator Menggunakan Representasi Relasi Antar Peneliti Berbasis Graf.

Farhana, Aflakah Nur (2022) Prediksi Kolaborator Menggunakan Representasi Relasi Antar Peneliti Berbasis Graf. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05111840000120-Undergraduate_thesis.pdf Restricted to Repository staff only Download (2MB)

Abstract

Perkembangan teknologi yang semakin pesat menyebabkan arus pertukaran informasi semakin cepat. Salah satunya adalah di bidang pendidikan, dimana pertukaran hasil penelitian maupun karya ilmiah menjadi semakin mudah. Dampaknya adalah menjadi populernya kolaborasi ilmiah antar peneliti. Terdapat banyak faktor dan alasan yang memengaruhi adanya kolaborasi antar peneliti. Hal ini menyebabkan munculnya kesulitan untuk menentukan bagaimana pola kolaborasi dapat terbentuk. Salah satu cara untuk menentukan prediksi dari kolaborator (peneliti yang melakukan kolaborasi penelitian) adalah dengan merepresentasikan profil dari peneliti dan menghitung kemiripan diantaranya. Tujuan dari pembuatan tugas akhir ini adalah pemanfaatan graph untuk memprediksi kolaborasi baru dari seorang peneliti dengan memanfaatkan kemiripan antar peneliti dan pembelajaran graf. Data yang digunakan data tugas akhir ini merupakan data publikasi peneliti dan profil peneliti. Tahap pertama dalam pembuatan prediksi kolaborator adalah dengan membuat representasi dataset ke dalam bentuk struktur jaringan graf. Pada tahap ini data yang yang digunakan merupakan data ketertarikan riset peneliti. Pembuatan graf diawali dengan menggunakan unsupervised K-nearest neighbor terhadap data ketertarikan riset peneliti, proses ini menghasilkan graf yang disebut sebagai graf research interest. Graf tersebut kemudian akan dimasukan ke dalam proses pembelajaran graf untuk membuat hubungan baru antar peneliti yang belum terbentuk, proses ini menghasilkan graf yang disebut sebagai graf kolab. Dilakukan pula penambahan data atribut peneliti dengan asumsi bahwa atribut peneliti merupakan salah satu faktor yang mempengaruhi terjadinya kolaborasi antar peneliti, hasil dari proses ini disebut graf kolaborasi. Tahap terakhir adalah menghitung kinerja hasil prediksi yang telah dibuat dengan cara membandingkan hasil prediksi kolaborasi dengan data kolaborasi sebenarnya. Pada tugas akhir ini metode yang digunakan untuk pembelajaran graf adalah Node2vec, Deep Walk dan common neighbor. Penggunaan metode tersebut dapat memprediksi hubungan baru dari peneliti yang belum ada. Dari ketiga graf yang dibentuk, graf kolab memiliki nilai akurasi yang paling tinggi diantara graf yang lain. Hal ini menunjukkan bahwa adanya proses pembelajaran graf berhasil memprediksi kolaborasi baru dari peneliti. Graf research interest menghasilkan akurasi sebesar 49,59% sedangkan graf kolab menghasilkan akurasi sebesar 77,76%. Metode pembelajaran graf dengan menggunakan Node2vec terbukti lebih unggul dibandingkan metode Deep Walk, dan Common Neighbor. Hasil akurasi dengan metode Node2vec sebesar 77,76%, Deep Walk sebesar 72,93%, dan Common Neighbor sebesar 60,94%. Metode Node2vec jauh lebih unggul dari pada deep walk karena dalam Node2vec terdapat aturan atau batasan yang digunakan dalam melakukan random walk sehingga langkah yang dihasilkan menjadi lebih teratur.
==============================================================================================================================
The rapid development of technology causes the flow of information exchange to accelerate. One of them is in the field of education, where the exchange of research results and scientific works becomes easier. The impact is the popularity of collaboration between scientists among researchers. There are many factors and reasons that influence the presence of collaboration between researchers. This causes the emergence of difficulties to determine how the pattern of collaboration can be formed. One way to determine the predictions of collaborators (researchers who conduct research collaborations) is to represent the profile of the researcher and find the error. of making this final project is the use of graphs to predict new collaborations from a researcher with the aim of utilizing between researchers and graph learning. The data used in this final project are data publication researchers and profile researchers. The first stage in making predictions for collaborators is to create a dataset representation in the form of a graph network structure. At this stage the data used are data interest research researchers. Graph creation begins by using unsupervised K-nearest neighbor against researchers interested in research data, this process produces a graph called a research interest graph. The graph will then be inserted into the graph learning process to create new relationships between researchers that have not yet been formed, this process produces a graph called a collab graph. Adding attribute researcher data with the assumption that the researcher's attributes are one of the factors that influence the occurrence of collaboration between researchers, the result of this process is called a collaboration graph. The last stage is to calculate the prediction results that have been made by comparing the collaboration results with the actual collaboration data. In this final project, the methods used for learning graphs are Node2vec, Deep Walk and Common Neighbor. The use of this method can predict new relationships from those that do not yet exist. Of the three graphs formed, collab graph has the highest accuracy among other graphs. This shows that the existence of a graph learning process successfully predicts new collaborations from researchers. The research interest graph has an accuracy value of 49.59% while the collab graph produces an accuracy of 77.76%. The graph learning method using Node2vec is proven to be superior to the Deep Walk and Common Neighbor methods. Accuracy results with the Node2vec method are 77.76%, Deep Walk 72.93%, and Common Neighbor 60.94%. The Node2vec method is far superior to the deep walk because in Node2vec there are rules or limitations used in performing random walks so that the resulting steps become more orderly.

Item Type:	Thesis (Other)
Additional Information:	RSIf 005.276 2 Far p-1 2022
Uncontrolled Keywords:	Graf, Kolaborator, Pembelajaran graf. Collaborator, Graph, Graph learning.
Subjects:	Q Science > QA Mathematics > QA76.9.I58 Recommender systems (Information filtering)
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Mr. Marsudiyana -
Date Deposited:	26 May 2026 03:19
Last Modified:	26 May 2026 03:19
URI:	http://repository.its.ac.id/id/eprint/133428

Actions (login required)

View Item