Kelebihan informasi akibat pesatnya publikasi ilmiah menghambat penemuan referensi relevan. Salah satu pendekatan yang digunakan dalam pengembangan sistem ini adalah penerapan Heterogeneous Knowledge Graph (HKG) dan Graph Neural Network (GNN) dengan arsitektur Heterogeneous Graph Contrastive Learning (HGCL). Dataset yang digunakan merupakan kumpulan metadata jurnal ilmiah yang mencakup berbagai entitas publikasi dan relasi sitasi. Proses ekstraksi fitur semantik dilakukan menggunakan encoder SimCSE, sementara masalah cold-start diatasi melalui mekanisme Semantic Preservation Loss dan Hybrid Residual Connection. Dataset dibagi menggunakan protokol Temporal Split untuk mencegah kebocoran data dan memastikan model mampu melakukan generalisasi dengan baik. Model dilatih menggunakan fungsi multi-task Loss (BCE, InfoNCE, Semantic Preservation) dan dievaluasi berdasarkan metrik Area Under Curve (AUC) dan Average Precision (AP). Hasil evaluasi menunjukkan performa yang baik, dengan AUC mencapai 0.7835 dan AP sebesar 0.6899. Capaian ini menunjukkan bahwa pendekatan hibrida yang dikembangkan efektif menangani kelangkaan data, yang selanjutnya diimplementasikan dalam dasbor interaktif Streamlit untuk validasi praktis.

Kata Kunci: Sistem Rekomendasi Sitasi, Heterogeneous Knowledge Graph, Graph Neural Network, HGCL, Temporal Split.