Susanto, Hermawandi Leo (2023) ANALISA DAN PREDIKSI IKLAN LOWONGAN KERJA PALSU DENGAN METODE NATURAL LANGUAGE PROCESSING DAN MACHINE LEARNING. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.
![[img]](https://eprints.amikom.ac.id//style/images/fileicons/text.png) |
Text (COVER-ABSTRAK)
COVER.pdf Download (830kB) |
|
Text (BAB I)
BAB I.pdf Download (337kB) |
|
Text (BAB II)
BAB II.pdf Restricted to Registered users only Download (489kB) |
|
Text (BAB III)
BAB III.pdf Restricted to Registered users only Download (940kB) |
|
Text (BAB IV)
BAB IV.pdf Restricted to Registered users only Download (421kB) |
|
Text (BAB V)
BAB V.pdf Download (159kB) |
|
Text (DAFTAR PUSTAKA-LAMPIRAN)
Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (413kB) |
Abstract
Perkembangan teknologi internet saat ini menjadi pedang bermata dua dalam kehidupan modern, khususnya dalam dunia penempatan kerja, dan penggunaan layanan internet untuk mengiklankan lowongan kerja bagi institusi menjadi semakin populer akhir-akhir ini. termakan oleh iklan lowongan kerja palsu, jumlah iklan lowongan kerja palsu semakin meningkat. Penipuan berupa tawaran pekerjaan palsu telah menjadi ancaman serius bagi para pencari kerja dan pemberi kerja terpercaya. Di era pandemi Covid-19, menjamurnya lowongan kerja online menawarkan kesempatan bagi para scammer untuk mendistribusikan lowongan kerja palsu yang berujung pada pencurian identitas. Model klasifikasi yang kuat akan dibuat menggunakan teknik pemrosesan bahasa alami, pembelajaran mesin, dan algoritme pembelajaran mendalam. Pentingnya pembersihan dan analisis data untuk memastikan keandalan model juga ditekankan. Dengan pendekatan ini, diharapkan dapat membantu pencari kerja dan pemberi kerja mengidentifikasi dan menghindari tawaran pekerjaan palsu, serta mengurangi kerugian finansial dan hilangnya informasi pribadi. Untuk mengatasi masalah ini. Dalam model LSTM, mendapatkan tingkat akurasi yang tinggi (97%) dan tingkat presisi yang baik (95%). Namun, recall yang lebih rendah (59%) menunjukkan bahwa model ini mungkin memiliki kesulitan dalam mengklasifikasikan kelas positif dengan benar. F1-Score yang lebih tinggi (73%) menunjukkan keseimbangan antara presisi dan recall. Model Bi-directional LSTM juga menghasilkan akurasi yang tinggi (97.24%), tetapi presisi yang lebih rendah (78%) dibandingkan dengan model LSTM. Namun, recall yang lebih tinggi (65%) menunjukkan peningkatan kemampuan model untuk mengenali kelas positif. F1Score (71%) menunjukkan keseimbangan antara presisi dan recall yang baik.
| Item Type: | Thesis (S1 - Sarjana) | ||
|---|---|---|---|
| Contributor: |
|
||
| Uncontrolled Keywords: | Lowongan Kerja Palsu, Pembelajaran Mesin, LSTM, BiLSTM, F1Score | ||
| Subjects: | 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 000 Ilmu komputer, informasi dan pekerjaan umum 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 004 Pemrosesan data dan ilmu komputer |
||
| Divisions: | Fakultas Ilmu Komputer > Teknik Komputer | ||
| Depositing User: | RC Universitas AMIKOM Yogyakarta | ||
| Date Deposited: | 07 Sep 2023 01:59 | ||
| Last Modified: | 26 Jan 2024 02:03 | ||
| URI: | http://eprints.amikom.ac.id/id/eprint/21215 |
Actions (login required)
 |
View Item |