Article Per Year (5 Year)
p-Index From 2021 - 2026
1.259
P-Index
This Author published in this journals
All Journal Sinkron : Jurnal dan Penelitian Teknik Informatika Jusikom: Jurnal Sistem Informasi Ilmu Komputer Jurnal Ilmu Komputer dan Sistem Informasi (JIKOMSI) Journal of Computer Networks, Architecture and High Performance Computing Jurnal Pengabdian kepada Masyarakat Nusantara Jurnal Sistem Informasi dan Teknologi Jaringan
Jijon Raphita Sagala, Jijon Raphita
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Social Sciences

Published : 11 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 11 Documents
Search

 1   2 
Pengembangan Decision Support System untuk Rekomendasi Pekerjaan Menggunakan Machine Learning Berbasis Dataset Rekrutmen Online Sagala, Jijon Raphita
Jurnal Sistem Informasi dan Teknologi Jaringan Vol 7 No 1 (2026): Maret
Publisher : CV. ADMITECH SOLUTIONS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.63703/sisfotekjar.v7i1.136

Abstract

Transformasi digital dalam proses rekrutmen mendorong kebutuhan akan sistem cerdas yang mampu memberikan rekomendasi pekerjaan secara akurat dan efisien. Penelitian ini bertujuan untuk mengembangkan Decision Support System (DSS) rekomendasi pekerjaan berbasis machine learning dengan memanfaatkan dataset rekrutmen daring. Penelitian ini menggunakan pendekatan kuantitatif–eksperimental dengan explanatory research untuk menjelaskan pengaruh kualitas data dan kinerja model machine learning terhadap efektivitas DSS. Dataset terdiri dari 12.450 data pelamar dan 8.732 lowongan pekerjaan yang setelah preprocessing menghasilkan 10.286 entri valid. Tiga algoritma diuji, yaitu Random Forest, Support Vector Machine (SVM), dan Naïve Bayes menggunakan 10-fold cross validation. Hasil menunjukkan bahwa Random Forest memberikan performa terbaik dengan akurasi 92,87%, presisi 91,22%, recall 93,41%, F1-score 92,30%, dan ROC-AUC 0,964. Evaluasi sistem menunjukkan peningkatan akurasi rekomendasi sebesar 24,75% dibandingkan sistem rule-based konvensional serta penurunan error rate 24,75%. Evaluasi kepuasan pengguna (n=30) menghasilkan User Satisfaction Index sebesar 89,8% (kategori sangat puas). Analisis regresi menunjukkan kualitas data (β=0,387; sig=0,000) dan kinerja model (β=0,521; sig=0,000) berpengaruh signifikan terhadap efektivitas DSS dengan R²=0,781. Temuan ini menegaskan bahwa integrasi machine learning dalam DSS berbasis dataset rekrutmen daring mampu meningkatkan akurasi, efisiensi, dan kualitas pengambilan keputusan pada sistem rekomendasi pekerjaan.
Co-Authors Aispriyani Arrosty, Mawaddah Bambang Krismoyo Breukelen, Melisa Van Erwin Panggabean Gea, Asaziduhu Hasugian, Penda Sudarto Hutabarat, Nurmawaty Josua, Alpon Kumar, Prasanth Nantheni, W. S. Usha Nantheni, W.S.Usha Ramadhan, Alya Sophia Sibuea, Petrus Simanjuntak, Laphita Sari Sinaga, Anita Sindar Ros Maryana Sitorus, Martua Sudarto Hasugian, Penda Sulindawaty Van Breukelen, Melisa