Saat ini belum ada sistem yang menangani proses pencarian tempat magang di Sekolah Tinggi Teknik PLN. Penelitian ini dilakukan untuk mempermudah mahasiswa STT-PLN untuk mencari tempat magang. Sistem ini akan memberikan rekomendasi tempat magang yang sesuai dengan keahlian yang dimiliki mahasiswa. Metode yang diterapkan untuk membangun sistem ini adalah Text Pre-processing dan Latent Semantic Indexing (LSI). Text pre-processing digunakan untuk menyiapkan dokumen sebelum diolah oleh metode Latent Semantic indexing (LSI). Text pre-processing meliputi tokenizing, filtering, dan stemming. Sedangkan Latent Semantic Indexing (LSI) digunakan untuk mencari topik di dalam lowongan dan resume/cv mahasiswa yang selanjutnya akan dicari nilai cosine similiarity dari lowongan dan resume/cv. Hasilnya adalah rekomendasi tempat magang yang sesuai dengan keahlian mahasiswa. Dari hasil pengujian menggunakan metode Latent Semantic Indexing didapatkan hasil akurasi sebesar 85.05% dengan rata-rata waktu eksekusi 0,05 detik dan pengujian dengan mean squared error (MSE), nilai error didapatkan 14.95%.

At present there is no system that handles the process of finding an internship at the PLN Technical College. This research was conducted to make it easier for STT PLN students to find an internship. This system will provide internship recommendations in accordance with the expertise possessed by students. The methods applied to build this system are Text Pre-processing and Latent Semantic Indexing (LSI). Text pre-processing is used to prepare documents before they are processed by the Latent Semantic indexing (LSI) method. Text pre-processing includes tokenizing, filtering, and stemming. Whereas Latent Semantic Indexing (LSI) is used to search for topics in student vacancies and resumes / CVs, which will then be searched for cosine similiarity scores from vacancies and resumes / CVs. The result is an internship recommendation that is suitable for the student's expertise. From the test results using the Latent Semantic Indexing method obtained 85.05% accuracy results with an average execution time of 0.05 seconds and testing with mean squared error (MSE), the error value obtained 14.95%.