ANALISIS KEBUTUHAN SKILL PASAR KERJA BIDANG TEKNOLOGI INFORMASI JOBSTREET INDONESIA MENGGUNAKAN ALGORITMA MACHINE LEARNING

MUHAMMAD RIFQI, MAJID (2024) ANALISIS KEBUTUHAN SKILL PASAR KERJA BIDANG TEKNOLOGI INFORMASI JOBSTREET INDONESIA MENGGUNAKAN ALGORITMA MACHINE LEARNING. FAKULTAS TEKNIK, UNIVERSITAS LAMPUNG.

Preview	Text ABSTRAK.pdf Download (198kB) | Preview
	Text SKRIPSI FULL.pdf Restricted to Repository staff only Download (3MB) | Request a copy
Preview	Text SKRIPSI TANPA BAB PEMBAHASAN.pdf Download (3MB) | Preview

Abstract

Seiring dengan pesatnya perkembangan teknologi informasi, kebutuhan akan keterampilan di bidang ini semakin meningkat. Situs Jobstreet menyediakan berbagai kualifikasi, termasuk pekerjaan di bidang informasi teknologi. Oleh karena itu, perlu dilakukan klasifikasi untuk mengidentifikasi tren keterampilan. Data lowongan dari Jobstreet dapat dimanfaatkan sebagai data mentah untuk menghasilkan klasifikasi keterampilan IT yang komprehensif. Penelitian ini akan berfokus pada eksplorasi algoritma machine learning, dalam konteks klasifikasi untuk menganalisis tren keterampilan. Penelitian ini juga membandingkan akurasi model dalam klasifikasi data, memberi visualisasi hasil model data mining, serta mengidentifikasi sub-kategori dan tren keterampilan kerja yang dibutuhkan oleh industri. Dengan menggunakan framework pengembangan CRISP-DM, serta model algoritma KNN, NBC, dan SVM. Metode penelitian mencakup pengumpulan data melalui teknik scraping, pengolahan data dengan algoritma machine learning (tokenisasi, penghapusan stopword, stemming, visualisasi n-gram dan word embeddings), dan visualisasi data melalui Looker Studio. Hasil penelitian menunjukkan bahwa model SVM unggul dalam akurasi sebesar 86,75%, diikuti KNN dengan akurasi 83,33%, dan NBC dengan akurasi 79,49%. Tren sub-kategori pekerjaan dengan kebutuhan paling banyak, seperti Business/System Analyst (34,1%), diikuti oleh Network & System Administration (22,6%), dan Developer/Programmer (8%). Penelitian ini menunjukkan keunggulan algoritma SVM dibandingkan dengan algoritma lain, menunjukkan bahwa model tersebut memiliki kinerja baik dalam hal klasifikasi teks.

Item Type:	Other
Subjects:	?? 004 ??
Divisions:	?? Informatika ??
Depositing User:	2308648444 . Digilib
Date Deposited:	17 Dec 2024 08:03
Last Modified:	17 Dec 2024 08:03
URI:	http://digilib.unila.ac.id/id/eprint/80796

Actions (login required)

View Item