ANALISA DAN PREDIKSI IKLAN LOWONGAN KERJA PALSU DENGAN METODE NATURAL LANGUAGE PROGRAMING DAN MACHINE LEARNING - Abstrak dan Metodologi

Sep 10, 2026

Penelitian ini menganalisis dan memprediksi iklan lowongan kerja palsu dengan memanfaatkan Natural Language Programming (NLP) dan Machine Learning. Data disediakan melalui Kaggle, dengan fitur yang merepresentasikan karakteristik lowongan. Kategori lowongan yang diposting ditetapkan sebagai nyata atau palsu. Studi mengikuti lima tahap: mendefinisikan masalah, mengumpulkan data, membersihkan data (eksplorasi dan pra-pemrosesan), serta pemodelan. Evaluasi menggunakan Naïve Bayes sebagai baseline dan Stochastic Gradient Descent sebagai model akhir, menghasilkan akurasi 0,971 (F1 0,743) untuk Naïve Bayes serta akurasi 0,977 (F1 0,81) untuk SGD.

BahasaIndonesian

KategoriPresentasi

FormatPDF

Halaman9

Waktu Membaca3 mnt

AksesGratis untuk diunduh

Daftar Isi

I. PENDAHULUAN

II. METODE PENELITIAN

a. Algoritma dan Teknik

b. Metodologi

c. Implementasi

ANALISA DAN PREDIKSI IKLAN LOWONGAN KERJA PALSU DENGAN METODE NATURAL LANGUAGE PROGRAMING DAN MACHINE LEARNING Hary Sabita1, Fitria2, Riko Herwanto3 123Fakultas Ilmu Komputer, Informatics & Business Institute Darmajaya Jl. 2.A. Pagar Alam No. 93, Bandar Lampung-Indonesia 35142 Telp. (0721) 787214 Fax. (0721) 700261 [e-mail:](e-mail: hary.sabita@darmajaya.ac.id)[ ](e-mail: hary.sabita@darmajaya.ac.id)[hary.sabita@darmajaya.ac.id](e-mail: hary.sabita@darmajaya.ac.id), [fitria@darmajaya.ac.id](fitria@darmajaya.ac.id), [rikoherwanto@darmajaya.ac.id](rikoherwanto@darmajaya.ac.id) ABSTRACT This research was conducted using the data provided by Kaggle. This data contains features that describe job vacancies. This study used location-based data in the US, which covered 60% of all data. Job vacancies that are posted are categorized as real or fake. This research was conducted by following five stages, namely: defining the problem, collecting data, cleaning data (exploration and pre-processing) and modeling. The evaluation and validation models use Naïve Bayes as a baseline model and Small Group Discussion as end model. For the Naïve Bayes model, an accuracy value of 0.971 and an F1-score of 0.743 is obtained. While the Stochastic Gradient Descent obtained an accuracy value of 0.977 and an F1-score of 0.81. These final results indicate that SGD performs slightly better than Naïve Bayes. Keywords—NLP, Machine Learning, Naïve Bayes, SGD, Fake Jobs ABSTRAK Selama masa pandemi Covid 19, penipuan lowongan pekerjaan atau ketenaga kerjaan meningkat sehingga tekanan ekonomi dan dampak virus Corona telah secara signifikanmengurangi ketersediaan pekerjaan dan kehilangan pekerjaan bagi banyak orang. Kasus seperti ini menghadirkan peluang yang tepat bagi penipu. Kebanyakan scammer melakukan ini untuk mendapatkan informasi pribadi dari orang yang mereka scam. Penelitian ini menggunakan sample data dari lokasi yang berbasis di AS, yang mencakup 60% dari seluruh data. Lowongan pekerjaan yang diposting, dikategorikan sebagai nyata atau palsu. Penelitian ini dilakukan dengan mengikuti lima tahap, yaitu: pendefinisian masalah, pengumpulan data, pembersihan data (eksplorasi dan pra-pemrosesan) sertapemodelan. Model evaluasi dan validasi menggunakan Naïve Bayes sebagai model baseline dan Stochastic Gradient Descent sebagai model akhir. Untuk model Naïve Bayes didapatkan nilai akurasi sebesar 0,971 dan skor F1 sebesar 0,743 . Sementara pada Stochastic Gradient Descent didapatkan nilai akurasi sebesar 0,977 dan skor F1 sebesar 0,81 . Hasil akhir ini menunjukkan bahwa Stochastic Gradient Descent memiliki kinerja yang sedikit lebih baik dibandingkan Naïve Bayes. Kata Kunci—NLP, Machines Learning, Naïve Bayes, Stochastic Gradient Descent, Lowongan Pekerjaan Palsu I. PENDAHULUAN Selama masa pandemi Covid 19, penipuan lowongan pekerjaan atauketenagakerjaan meningkat. Menurut Consumer News and Business Channel (CNBC), jumlah penipuan ketenagakerjaan meningkat dua kali lipat dibandingkan dengan 2017 [1] . Situasipasar saat ini telah menyebabkan tingginya pengangguran. Tekanan ekonomi dan dampak virus Corona secara signifikan mengurangi ketersediaan pekerjaan dan kehilangan pekerjaan bagibanyak orang. Kasus seperti ini menghadirkan peluang yang tepat bagipenipu [2-3] . Kebanyakan scammer melakukan ini untuk mendapatkan informasi pribadi dari orang yang mereka scam [4] . Informasi pribadi dapat berisialamat, rekening bank, nomor jaminansosial, dan lain-lain [5] . Para penipu memberi pencari kerja peluang kerja yang sangat menguntungkan dan kemudian meminta uang sebagai imbalan. Ataumereka membutuhkan investasi dari pencari kerja dengan janji pekerjaan. Ini adalah masalah berbahaya yang dapatdiatasi melalui teknik Machine Learning dan Natural Language Processing (NLP)[6-10] . II. METODE PENELITIAN a. Algoritma dan Teknik Berdasarkan analisis data yang diperoleh, pemodelan akhir akan menggunakan data teks maupun numerik. Sebelum melaku

Pertanyaan Umum

Data apa yang digunakan untuk penelitian prediksi lowongan kerja palsu?

Penelitian menggunakan sample data yang bersumber dari Kaggle dengan fitur yang menggambarkan lowongan kerja, termasuk data berbasis lokasi di AS sebesar 60% dari seluruh data.

Bagaimana proses klasifikasi dilakukan dan apa saja tahap penelitiannya?

Penelitian mengikuti lima tahap: mendefinisikan masalah, mengumpulkan data, membersihkan data (eksplorasi dan pra-pemrosesan), lalu pemodelan. Lowongan yang diposting dikategorikan sebagai nyata atau palsu.

Mengapa Naïve Bayes dan SGD dibandingkan, dan hasilnya bagaimana?

Naïve Bayes dijadikan baseline untuk menghitung probabilitas kondisional, sementara SGD digunakan sebagai model akhir dengan pembelajaran penurunan gradien stokastik. SGD menunjukkan kinerja sedikit lebih baik: akurasi 0,977 dan F1 0,81 dibanding Naïve Bayes (akurasi 0,971 dan F1 0,743).

Sep 10, 2026

Unggah oleh Sophia Brooks