SISTEM REKOMENDASI BURSA KERJA KHUSUS (BKK) MENGGUNAKAN METODE CONTENT-BASED FILTERING

Mulki Anaz Aliza, - (2021) SISTEM REKOMENDASI BURSA KERJA KHUSUS (BKK) MENGGUNAKAN METODE CONTENT-BASED FILTERING. S1 thesis, Universitas Pendidikan Indonesia.

	Text S_KOM_1400454_Title.pdf Download (404kB)
	Text S_KOM_1400454_Chapter 1.pdf Download (150kB)
	Text S_KOM_1400454_Chapter 2.pdf Restricted to Staf Perpustakaan Download (813kB)
	Text S_KOM_1400454_Chapter 3.pdf Download (216kB)
	Text S_KOM_1400454_Chapter 4.pdf Restricted to Staf Perpustakaan Download (2MB)
	Text S_KOM_1400454_Chapter 5.pdf Download (101kB)
	Text S_KOM_1400454_Appendix.pdf Restricted to Staf Perpustakaan Download (513kB)

Abstract

Penelitian ini bertujuan untuk membuat suatu aplikasi eloker atau situs pencarian kerja dengan megimplementasikan sistem rekomendasi menjadi sebuah fitur pada sistem e-loker. Permasalahan utama pada sistem ini yaitu jumlah dan jenis lowongan kerja yang banyak dan juga beragam sehingga dibutuhkannya rekomendasi content-based ini untuk membantu memberikan referensi lowongan kerja baru yang sesuai kepada pelamar. Oleh karena itu diterapkanlah Machine Learning dengan metode Content-Based Filtering untuk memberikan rekomendasi lowongan kerja lain yang sesuai. Sistem rekomendasi e-loker yang dibuat tidak hanya menggunakan data lowongan saja yang menadi nilai rekomendasi, tetapi juga menerapakan 3 content di setiap lowongannya yang teridiri dari lokasi perusahaan/lowongan, posisi lowongan dan kategori perusahaan. Sistem yang dikembangkan berbasis web menggunakan Bahasa pemrograman PHP dengan membuat dari awal untuk pembuatan sistem. Eksperimen dilkaukan dengan menguji coba sistem terhadap pengguna tingkat SMK yang baru lulus (Fresh Graduate), kemudian memberikan kepuasan rekomendasi terhadap para pelamar tersebut. Hasil perhitungan akurasi aplisi yaitu sekitar 0,505 atau 51%. Hasil tersebut di dapatkan dari 30 data pelamar yang melakukan pencarian kerja terhadap 580 lowongan yang tersedia dengan 110 perusahaan, 35 lokasi dan 30 kategori yang berbeda beda. Kata Kunci : Rekomendasi, Rekomendasi Lowongan Kerja, Fitur e-loker, content-based filtering ABSTRACT Mulki Anaz Aliza. 1400454. (2021. Sistem Rekomendasi Bursa Kerja Khusus (Bkk) Menggunakan Metode Content-Based Filtering. This study aims to create an e-loker application or job search site by implementing a recommendation system into a feature in the e-locker system. The main problem with this system is that the number and types of job vacancies are numerous and varied, so that content-based recommendations are needed to help provide appropriate references for new job vacancies to applicants. Therefore, Machine Learning with the Content-Based Filtering method was applied to provide recommendations for other suitable job vacancies. The e-loker recommendation system created not only uses vacancy data which is the value of the recommendation, but also applies 3 content in each vacancy which consists of the location of the company/vacancy, the position of the vacancy and the category of the company. The system developed is web-based using the PHP programming language by making from scratch for system development. Experiments are carried out by testing the system on fresh graduate level users (Fresh Graduate), then giving satisfaction recommendations to these applicants. The calculation result of the application accuracy is about 0.505 or 51%. The results were obtained from 30 applicants' data who did a job search on 580 available vacancies with 110 companies, 35 locations and 30 different categories. Keywords : Recommendation, Jobs Recommendation, jobseeker feature, content-based filtering

Item Type:	Thesis (S1)
Uncontrolled Keywords:	Rekomendasi, Rekomendasi Lowongan Kerja, Fitur e-loker, content-based filtering
Subjects:	L Education > L Education (General) Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam > Program Studi Ilmu Komputer
Depositing User:	Mulki Anaz Aliza
Date Deposited:	15 Sep 2021 02:17
Last Modified:	15 Sep 2021 02:17
URI:	http://repository.upi.edu/id/eprint/66663

Actions (login required)

View Item