Perpustakaan Digital ITB

Perkembangan penggunaan internet telah mempengaruhi banyak proses rekrutmen, namun juga membawa dampak negatif berupa peningkatan kasus penipuan rekrutmen secara daring (Online Recruitment Fraud). Untuk mengatasi tantangan ini, penelitian ini bertujuan untuk mengembangkan Sistem Online Recruitment Fraud Detection berbasis pembelajaran mesin. Pendekatan yang diambil melibatkan penggunaan model ensemble learning yang menggabungkan algoritma CatBoost Classifier dan model Natural Language Processing (NLP) BERT. Kedua algoritma tersebut akan dilatih secara terpisah, kemudian hasil probabilitasnya akan digabungkan menggunakan metode weighted voting untuk memperoleh probabilitas akhir. Pengembangan sistem ini mengikuti metodologi CRISP-DM (Cross-Industry Standard Process for Data Mining), yang memastikan langkah- langkah sistematis dalam pengembangan model. Tujuan utama dari penelitian ini adalah untuk membandingkan kinerja masing-masing algoritma dengan kinerja model ensemble, serta menentukan pendekatan terbaik dalam membangun Sistem Online Recruitment Fraud Detection. Hasil yang diharapkan adalah terciptanya model dengan tingkat precision yang tinggi dan nilai recall yang dapat ditoleransi dalam mengidentifikasi lowongan pekerjaan palsu secara daring. Penelitian ini diharapkan dapat memberikan kontribusi signifikan dalam pengembangan solusi efektif untuk menghadapi tantangan penipuan rekrutmen dalam konteks daring.