MEMPREDIKSI IKLAN LOWONGAN PEKERJAAN PALSU MENGGUNAKAN ALGORITMA RANDOM FOREST
Total View This Week0
Total View This Week0
Institusion
Universitas Maritim Raja Ali Haji
Author
IRIANTO, DICKY
Nurfalinda, Nurfalinda
Ritha, Nola
Nurfalinda, Nurfalinda
Ritha, Nola
Subject
005.1.Pemrograman
Datestamp
2023-01-26 07:15:35
Abstract :
Tujuan dari penelitian ini adalah untuk memperoleh hasil prediksi lowongan pekerjaan asli atau palsu. Alasan mengambil judul tersebut karena iklan lowongan pekerjaan palsu sulit dibedakan dengan yang asli. Hal itu disebabkan isi konteks iklan lowongan pekerjaan palsu hampir sama dengan yang asli. Oleh sebab itu, peneliti menggunakan dataset yang berisi data iklan lowongan pekerjaan asli dan palsu. Algoritma yang digunakan pada penelitian ini adalah algoritma Random Forest. Atribut yang digunakan adalah atribut title dan atribut location sebagai atribut untuk pencarian data, atribut has_company_logo, has_questions, required_experience, dan required_education, dan atribut fraudulent sebagai atribut untuk proses prediksi dalam model Random Forest. Pengujian menggunakan data sebanyak 17880 dan tree sebanyak 2,4, 6, 8, 10, 100, 200, 300, 400, 500, 600, 700, 800, 900, dan 1000. Tingkat akurasi dan f1-score terbaik yang didapatkan pada penelitian ini adalah 96,86% dan F1-score 0,658, dengan jumlah tree yang digunakan sebanyak 2. Peningkatan atau banyaknya jumlah tree tidak menghasilkan peningkatan akurasi dan F1-score.
Tujuan dari penelitian ini adalah untuk memperoleh hasil prediksi lowongan pekerjaan asli atau palsu. Alasan mengambil judul tersebut karena iklan lowongan pekerjaan palsu sulit dibedakan dengan yang asli. Hal itu disebabkan isi konteks iklan lowongan pekerjaan palsu hampir sama dengan yang asli. Oleh sebab itu, peneliti menggunakan dataset yang berisi data iklan lowongan pekerjaan asli dan palsu. Algoritma yang digunakan pada penelitian ini adalah algoritma Random Forest. Atribut yang digunakan adalah atribut title dan atribut location sebagai atribut untuk pencarian data, atribut has_company_logo, has_questions, required_experience, dan required_education, dan atribut fraudulent sebagai atribut untuk proses prediksi dalam model Random Forest. Pengujian menggunakan data sebanyak 17880 dan tree sebanyak 2,4, 6, 8, 10, 100, 200, 300, 400, 500, 600, 700, 800, 900, dan 1000. Tingkat akurasi dan f1-score terbaik yang didapatkan pada penelitian ini adalah 96,86% dan F1-score 0,658, dengan jumlah tree yang digunakan sebanyak 2. Peningkatan atau banyaknya jumlah tree tidak menghasilkan peningkatan akurasi dan F1-score.
File :
DICKY IRIANTO_180155201004_Teknik Informatika - Cover.pdf
DICKY IRIANTO_180155201004_Teknik Informatika - Abstrak.pdf
DICKY IRIANTO_180155201004_Teknik Informatika - BAB I.pdf
DICKY IRIANTO_180155201004_Teknik Informatika - Daftar Pustaka.pdf
DICKY IRIANTO_180155201004_Teknik Informatika - Full Teks.pdf
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
