Klasifikasi Pekerjaan Bidang Teknologi Informasi Menggunakan Algoritma Cosine Similarity
Article Sidebar
Main Article Content
Abstract
Keterampilan setiap jenis pekerjaan harus disiapkan sejak mahasiswa berada di jenjang pendidikan
tinggi. Jenis pekerjaan dan ketrampilan pendukungnya menjadi salah satu landasan bagi program
studi dalam menyusun peminatan mata kuliah sesuai kebutuhan indsutri. Sehingga program studi
membutuhkan pedoman untuk menyusun kurikulum yang sesuai dengan kebutuhan industri.
Penelitian ini bertujuan melakukan klasifikasi jenis pekerjaan di bidang Teknologi Informasi (TI)
menurut Computing Curricula tahun 2020, yang dikeluarkan oleh ACM sebagai salah satu pedoman Perguruan Tinggi (PT) di bidang Ilmu Komputer yang ada di Indonesia dalam menyusun kompetensi lulusan dan kurikulum PT. Klasifikasi pekerjaan di lakukan berdasarkan kebutuhan dunia industri yang tercermin pada iklan/website lowongan pekerjaan yang ada di Indonesia. Teknik klasifikasi dilakukan dengan beberapa langkah yaitu web scraping pada website lowongan pekerjaan, teks pra prosesing untuk membersihkan data hasil web scraping dan klasifikasi 10 jenis pekerjaan menggunakan algoritma Cosine Similarity. Algoritma Cosine Similarity melakukan analisis jarak kemiripan antar dokumen keseluruhan jenis pekerjaan dengan keterampilan yang dibutuhkan pada setiap pekerjaan bidang Teknologi Informasi. Tingkat kemiripan tertinggi sebesar 63% pada pekerjaan Computer Network Architects dan akurasi tertinggi diperoleh sebesar 33,5% menggunakan teknik k-fold cross validation.
Downloads
Article Details
References
APTIKOM, “Pengembangan Kurikulum KKNI berdasarkan OBE Bidang Ilmu Informatika dan Komputer,” 2019.
Kementrian Tenaga Kerja, “Proyeksi Kebutuhan Tenaga Kerja Di Perusahan Berdasarkan Kompetensi Pada Sektor Teknologi Informatika & KomunikasiPada Tahun 2022 - 2025,” 2021.
Association for Computing Machinery (ACM) and IEEE Computer Society (IEEE-CS), “Computing Curricula 2020 Paradigms for Global Computing Education,” 2020.
P. C. Siswipraptini, H. L. H. Spits Warnars, A. Ramadhan, and W. Budiharto, “Trends and Characteristics of Career Recommendation Systems for Fresh Graduated Students,” in 2022 10th International Conference on Information and Education Technology, 2022, pp. 355–361.
I. A. Heggo and N. Abdelbaki, “Hybrid Information Filtering Engine for Personalized Job Recommender System,” Adv. Intell. Syst. Comput., vol. 723, pp. 553–563, 2018, doi: 10.1007/978-3-319-74690-6_54.
A. Rivas, P. Chamoso, A. González-Briones, R. Casado-Vara, and J. M. Corchado, “Hybrid job offer recommender system in a social network,” Expert Syst., vol. 36, no. 4, pp. 1–13, 2019, doi: 10.1111/exsy.12416.
G. Zhu, N. A. Kopalle, Y. Wang, X. Liu, K. Jona, and K. Börner, “Community?based data integration of course and job data in support of personalized career?education recommendations,” in Proceedings of the Association for Information Science and Technology, 2020, vol. 57, no. 1, pp. 1–6, doi: 10.1002/pra2.324.
W. Firdaus, F., Pasnur, P., & Wabdillah, “Implementasi Cosine Similarity Untuk Peningkatan Akurasi Pengukuran Kesamaan Dokumen Pada Klasifikasi Dokumen Berita Dengan K- Nearest Neighbour,” J. Teknol. Inf. dan Komun., vol. 9, no. 1, pp. 69–74, 2019.
P. dwi Nurfadila, A. P. Wibawa, I. A. E. Zaeni, and A. Nafalski, “Journal Classification Using Cosine Similarity Method on Title and Abstract with Frequency-Based Stopword Removal ,” Int. J. Artif. Intell. Res., vol. 3, no. 2, 2019, doi: 10.29099/ijair.v3i2.99.
F. E. P. Oppi Anda Resta, Addin Aditya, “View of Plagiarism Detection in Students’ Theses Using The Cosine Similarity Method.pdf,” J. dan Penelit. Tek. Inform., vol. 5, no. 2, pp. 305–313, 2021.
M. Yusuf and A. Cherid, “Implementasi Algoritma Cosine Similarity Dan Metode TF-IDF Berbasis PHP Untuk Menghasilkan Rekomendasi Seminar,” J. Ilm. Fak. Ilmu Komput., vol. 9, no. 1, pp. 8–16, 2020, [Online]. Available: https://publikasi.mercubuana.ac.id/index.php/fasilkom/article/view/8830.
E. Bolturk and C. Kahraman, “A novel interval-valued neutrosophic AHP with cosine similarity measure,” Soft Comput., vol. 22, no. 15, pp. 4941–4958, 2018, doi: 10.1007/s00500-018-3140-y.
T. Thongtan and T. Phienthrakul, “Sentiment classification using document embeddings trained with cosine similarity,” ACL 2019 - 57th Annu. Meet. Assoc. Comput. Linguist. Proc. Student Res. Work., pp. 407–414, 2019, doi: 10.18653/v1/p19-2057.
Y. Asri, W. N. Suliyanti, D. Kuswardani, and M. Fajri, “Pelabelan Otomatis Lexicon Vader dan Klasifikasi Naive Bayes dalam menganalisis sentimen data ulasan PLN Mobile,” PETIR J. Pengkaj. dan Penerapan Tek. Inform., vol. 15, no. 2, pp. 264–275, 2022.
R. Arianto, S. Warnars, H. Leslie, Y. Heryadi, and E. Abdurachman, “FAKE NEWS DETECTION MODEL BASED ON CREDIBILITY MEASUREMENT FOR INDONESIAN ONLINE NEWS,” J. Theor. Appl. Inf. Technol., vol. 15, no. 7, 2021, [Online]. Available: www.jatit.org.