Identifikasi Pola Kebutuhan Skill Teknologi Informasi di Indonesia Berdasarkan Lowongan Kerja Online Menggunakan Topic Modeling Latent Dirichlet Allocation (LDA)

Salma Hanifa, . (2026) Identifikasi Pola Kebutuhan Skill Teknologi Informasi di Indonesia Berdasarkan Lowongan Kerja Online Menggunakan Topic Modeling Latent Dirichlet Allocation (LDA). Skripsi thesis, Universitas Pembangunan Nasional Veteran Yogyakarta.

	Text Cover_123220019.pdf Download (242kB)
	Text Abstrak_123220019.pdf Download (1MB)
	Text Halaman Pengesahan_123220019.pdf Download (476kB)
	Text Daftar Isi_123220019.pdf Download (706kB)
	Text Daftar Pustaka_123220019.pdf Download (943kB)
	Text Fulltext_123220019.pdf Restricted to Repository staff only Download (3MB)

Abstract

Dinamika industri teknologi informasi (IT) di Indonesia menuntut adaptasi kualifikasi keahlian teknis yang masif. Ketidakmampuan pencari kerja dan institusi pendidikan dalam memenuhi kebutuhan riil industri ini pada akhirnya menciptakan skill gap yang signifikan. Upaya pemetaan kebutuhan industri sebelumnya sering menggunakan pendekatan supervised learning, namun metode ini cenderung statis dan kaku dalam menghadapi pola kemunculan keahlian teknis baru akibat ketergantungannya pada data berlabel. Menanggapi keterbatasan tersebut, penelitian ini mengangkat rumusan masalah tentang bagaimana membangun sistem yang mampu mengidentifikasi dan memetakan pola kebutuhan keahlian teknis secara otomatis. Melalui ekstraksi dokumen lowongan pekerjaan, penelitian ini bertujuan untuk menghasilkan model yang dapat memetakan pilar spesialisasi keahlian yang secara nyata mendominasiw pasar kerja.
Penelitian ini menerapkan metode kuantitatif deskriptif Natural Language Processing (NLP) dengan kerangka kerja CRISP-DM. Proses pengumpulan data dilakukan melalui teknik web scraping pada portal LinkedIn wilayah Indonesia selama periode kuartal keempat tahun 2025. Dengan mengedepankan etika pengambilan data publik, ekstraksi dijalankan secara otomatis menggunakan skema tanpa login yang didukung oleh pustaka Selenium dan BeautifulSoup, serta berhasil mengumpulkan 8.507 baris data mentah. Selanjutnya, data tersebut melewati rangkaian prapemrosesan (preprocessing) yang komprehensif—meliputi deduplication, pembersihan data, case folding, normalisasi, penanganan kata majemuk (compound terms handling), tokenisasi, penyaringan dokumen, hingga whitelist-based filtering untuk mendapatkan hard skill secara murni. Setelah teks bersih diubah menjadi matriks Bag-of-Words (BoW), algoritma unsupervised learning berupa Latent Dirichlet Allocation (LDA) diaplikasikan untuk memetakan klaster keahlian dengan cara mengungkap struktur semantik tersembunyi dari probabilitas kemunculan antar kata.
Algoritma Latent Dirichlet Allocation (LDA) terbukti efektif dalam memetakan spesialisasi skill IT di Indonesia. Evaluasi model menunjukkan performa terbaik pada konfigurasi lima topik (K=5), dengan Coherence Score 0.5637 (menunjukkan kepaduan semantik yang kuat) dan Topic Diversity 0.736 (pemisahan klaster yang jelas tanpa tumpang tindih). Penelitian ini sukses menjawab permasalahan utama dengan mengekstraksi lima pilar keahlian dominan: Frontend & UI/UX Development, Cloud & DevOps Engineering, Data Science & Machine Learning, Backend Development, dan Mobile Development, di mana Frontend menempati peringkat teratas dengan proporsi permintaan sebesar 36,62%. Luaran penelitian ini berkontribusi sebagai landasan empiris bagi institusi pendidikan tinggi untuk mengevaluasi kurikulum pembelajaran, sekaligus menjadi kompas strategis bagi pencari kerja dalam menyelaraskan keterampilan mereka dengan kualifikasi riil yang diserap industri teknologi.

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	SALMA HANIFA (Penulis - 123220019) ; Dessyanto Boedi Prasetyo (Pembimbing)
Uncontrolled Keywords:	Lowongan Pekerjaan, Pemodelan Topik, Latent Dirichlet Allocation, Teknologi Informasi, Skill Gap
Subjek:	T Technology > T Technology (General)
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	Bayu Pambudi
Date Deposited:	11 May 2026 10:46
Last Modified:	11 May 2026 10:46
URI:	http://eprints.upnyk.ac.id/id/eprint/48245

Actions (login required)

View Item