Penelitian ini berfokus pada pengembangan sistem rekomendasi perjalanan dinas berbasis konteks untuk mendukung pemanfaatan data dari platform Electronic Perjalanan Dinas dan Publikasi (EPDP) di Universitas Bina Nusantara. Meskipun EPDP telah mengakumulasi data perjalanan dinas dalam jumlah besar, sistem rekomendasi yang ada masih terbatas pada kesamaan konten seperti destinasi, tanpa mempertimbangkan konteks purpose perjalanan. Untuk mengatasi keterbatasan tersebut, penelitian ini mengusulkan modifikasi model Deep Dual Learning-based Probabilistic Matrix Factorization (DDL-PMF) karya Hanafi et al. (2022) dengan mengganti komponen GloVe, LSTM, dan SDAE menggunakan IndoBERT. Kontribusi penelitian ini adalah mengadaptasi kerangka DDL-PMF menjadi model baru IndoBERT-PMF yang pertama kali diterapkan pada domain perjalanan dinas berbahasa Indonesia. Keterbaruannya terletak pada (i) pemanfaatan IndoBERT untuk memahami teks purpose perjalanan dinas dalam bahasa Indonesia, (ii) penggantian SDAE dengan encoder IndoBERT yang lebih sesuai untuk data EPDP, serta (iii) evaluasi langsung pada dataset EPDP sebagai kasus unik di Indonesia. Evaluasi dilakukan menggunakan stratified split (80% latih, 20% uji) pada dataset EPDP dengan metrik HR@10, NDCG@10, dan MRR. Hasil eksperimen menunjukkan bahwa IndoBERT-PMF memberikan peningkatan performa dibandingkan DDL-PMF, khususnya pada HR@10 (+49,6%), NDCG@10 (+22,3%), dan MRR (+3,0%). Dengan demikian, penelitian ini membuktikan bahwa integrasi IndoBERT ke dalam kerangka DDL-PMF efektif dalam meningkatkan relevansi rekomendasi perjalanan dinas berbasis konteks, serta membuka peluang pengembangan lebih lanjut pada domain rekomendasi berbahasa Indonesia.