Audacity v2.4.2 Gratis

Audacity Salah satu software audio recording dan audio editing populer didunia. Berbeda dengan software lainnya, program ini di distribusikan secara gratis (freeware). Baik itu untuk sistem operasi windows, macosx maupun linux. Meskipun untuk linux, kalian hanya akan diberikan source codenya aja. Pada umumnya, aplikasi ini memiliki fitur yang sama seperti kebanyakan software sejenis. Namun satu hal yang paling penting adalah performance. Bener banget, Audacity punya performa yang notabene paling cepet dibandingkan apps lainnya.

Download Audacity : Windows 32/64bit / Mac

Aspek-Aspek mengenai mendirikan perusahaan

Aspek-Aspek mengenai mendirikan perusahaan

1. Memahami konsep produk atau jasa secara baik

Sebelum memulai suatu usaha maka hal yang terpenting adalah pemahaman kita akan konsep produk atau jasa yang akan menjadi bisnis inti. Kita perlu memahami bukan hanya secara teknis produksi tetapi juga pasar dan prospek mulai daripada lingkungan yang terkecil kepada lingkungan yang terbesar. Dalam topik ini dibahas secara menyeluruh aspek-aspek yang penting dalam melakukan analisa atas kelayakan dan prospek produk termasuk produk-produk yang sama sekali baru dengan melihat sisi human behavior, kebutuhan pasar dan lainnya.

2. Membuat visi dan misi bisnis

Setiap orang yang mau memulai bisnis harus mengetahui visi dan misi yang akan menjadi panduan seseorang untuk tetap fokus kepada tujuan bisnis dan organisasi yang awal. Seringkali suatu usaha pada saat mulai berkembang pada tahap berikutnya mengalami kegagalan karena organisasi tersebut tidak memfokuskan diri kepada peningkatan kemajuan bisnis awal tetapi terlalu banyak mencoba mengembangkan bidang usaha lain yang baru. Dalam topik ini setiap orang akan belajar bagaimana membuat visi dan misi dalam kaitannya dengan latar belakang pribadi dan pengetahuan usaha yang akan anda rintis.

3. Perlunya winning, positive dan learning attitude untuk menjadi sukses

Sikap mental merupakan kunci keberhasilan atas usaha anda selain daripada pemahaman usaha anda. there is no over night success sesuatu yang harus dicamkan daripada setiap calon “entrepreneur” karena dibutuhkan waktu, sikap tidak menyerah, proses belajar secara kesinambunga, dan melihat permasalahan secara positif yang tidak membuat anda menjadi patah semangat namun melihat setiap peluang dan belajar atas setiap kegagalan.Anda akan belajar untuk mengembangkan sikap-sikap diatas untuk menjadi “bisnis entrepreneur” yang sukses.

4. Membuat perencanaan dan strategi bisnis yang efektif akan menghindari usaha daripada risiko bisnis dan keuangan.

Secara statistik hampir seluruh kegagalan bisnis kecil dan menengah disebabkan karena tidak adanya atau kurang efektifnya perencanaan bisnis yang anda buat. Asumsi-asumsi seperti kapasitas produksi, tingkat utilisasi produksi, proyeksi kenaikan harga dan biaya dan aspek lainnya dalam perencanaan bisnis haruslah menggambarkan secara akurat realitas pasar atau praktek yang ada dalam suatu industri. Sistematika perhitungan dan proyeksi pendapatan dan biaya harus dibuat secara tepat sehingga membantu setiap calon pengusaha untuk menghitung secara akurat kebutuhan modal investasi dan modal kerja termasuk struktur biaya untuk persiapan awal, tahap percobaan, produksi secara komersial, inventori, distribusi, pemasaran, administrasi, sumber daya manusia dan juga komponen pendapatan usaha yang terdiri dari pendapatan inti dan tambahan. Pemahaman yang baik atas hal ini juga akan membantu calon entrepreneur untuk dapat mengindentifikasi potensi resiko bisnis, manajemen dan keuangan dan membuat langkah-langkah pengendalian untuk dapat menghindari setiap resiko tersebut.

5. Pengetahuan dasar manajemen, organisasi dan sistem akan menghindari usaha daripada risiko manajemen.

Setiap usaha dari yang paling kecil sekalipun membutuhkan manajemen yang baik untuk memastikan proses pemasaran, produksi, distribusi dan penjualan berlangsung dengan baik. Sistem manajemen yang buruk akan mengakibatkan adanya biaya yang tidak perlu seperti bahan baku yang terbuang, pekerja yang tidak produktif karena pengawasan yang tidak efektif dan deskripsi pekerjaan yang tidak jelas, koordinasi dan komunikasi antar pegawai yang tidak efektif sehingga banyak keputusan yang terlambat, perekrutan pegawai yang tidak efektif sehingga banyak pegawai yang keluar masuk dan membuang banyak waktu dan biaya, pelatihan yang tidak baik sehingga produktivitas pegawai yang rendah dan masih banyak lagi permasalahan organisasi. Dalam topik ini kami akan memberikan pengetahuan dasar dan aspek-aspek yang sangat penting yang harus dipelajari oleh calon bisnis entrepreneur untuk menghindari resiko manajemen yang dapat menyebabkan kegagalan usaha.

6. Optimalisasi sumber daya manusia maka 50% usaha Anda sudah berhasil.

Sumber Daya Manusia atau SDM merupakan salah satu kunci keberhasilan usaha yang sangat penting. Banyak pakar yang menyadari bahwasanya untuk memulai usaha seringkali apabila kita merekrut pegawai yang tepat dan berpotensi sangat baik dapat menutup kelemahan manajemen, organisasi dan sistim dalam jangka pendek. Dengan SDM yang tepat maka kita sudah setengah jalan untuk menjadi sukses. Topik ini akan membantu kita untuk memahami kriteria pegawai yang baik dan sesuai dengan kebutuhan usaha, manajemen SDM secara umum termasuk sistim penilaian kinerja pegawai sehingga setiap pegawai akan merasa puas dan juga bagaimana memotivasi pegawai baik secara psikologi umum maupun dengan sistim insentif untuk mengoptimalkan kinerja pegawai.

7. Mengapa kreativitas, kepemimpinan dan proses pembuatan keputusan sangat penting?

Dalam memulai usaha umumnya setiap calon entrepreneur akan mengalami banyak permasalahan dan krisis. Banyak kegagalan terjadi karena kurangnya kreativitas, kepemimpinan dan pembuatan keputusan yang tepat untuk mencari solusi yang baik. Kreativitas seperti “thinking outbox” atau kemampuan melakukan analisa permasalahan di luar pemahaman yang sudah ada dan mencari alternatif solusi yang kreatif akan sangat membantu usaha anda untuk berhasil. Kreativitas juga akan sangat membantu anda untuk menyesuaikan produk-produk anda agar dapat diterima oleh pasar dan juga melihat berbagai peluang dalam membangun usaha anda. Kepemimpinan sangat penting dalamkrisis untuk membuat setiap pegawai dan semua orang yang terlibat dalam usaha anda percaya bahwasanya anda tidak panik, menjadi tempat last resort solusi atas semua permasalahan dan menjadi panutan. Proses Pembuatan Keputusan akan membantu anda dalam mencari alternatif solusi dan memilih yang terbaik untuk usaha dan organisasi anda. Dalam topik ini anda akan mendapatkan cara-cara mengembangkan kreativitas usaha anda, ciri-ciri kepemimpinan yang cocok dengan latar belakang pribadi anda dan bagaimana proses yang benar dalam membuat keputusan dalam setiap permasalahan.

8. Pengetahuan dasar pengelolaan keuangan dan pembiayaan

Pemahaman atas aspek ini adalah sangat penting dalam perkembangan usaha anda. Seringkali produksi terganggu karena pengelolaan keuangan yang tidak baik seperti kekurangan dana untuk pembelian bahan baku, alat-alat produksi dan lainnya. Dalamtopik ini akan dibahas pengetahuan dasar atas cash flow atau arus kas yang seperti darah dalam tubuh manusia, biaya pendanaan, pembiayaan modal kerja dan investasi, struktur modal, aset perusahaan, penyertaan modal dan lainnya.

9. Pemasaran, pelayanan dan product brand

Pemasaran merupakan ujung tombak keberhasilan penjualan produk atau jasa. Sebaik apapun produk atau jasa tanpa pemasaran yang baik maka akan sangat sukar untuk meningkat penjualan dan keuntungan usaha. Di lain pihak tanpa pelayanan yang baik kepada pelanggan maka akan sangat sukar suatu usaha untuk memperoleh pelanggan yang loyal yang merupakan kunci perkembangan usaha. Dengan pelanggan yang loyal maka pekerjaan pemasaran akan lebih mudah karena pelayanan yang baik akan menciptakan product brand yang baik kepada calon pelanggan baru. Dalam topik ini akan dibahas secera menyeluruh semua aspek penting dalam membuat strategi pemasaran, identifikasi pelayanan yang dibutuhkan pelanggan dan bagaimana menciptakan product brand dan efeknya kepada keberhasilan usaha.

Contoh diagram gojek :

A. Activity diagram

B. Struktur navigasi

C. Use case diagram

Sumber: ttps://pengusahamuslim.com/208-memahami-9-aspek-penting-sebelum-memulai-usaha.html

Analisa Startup Gojek

Gojek

PT Aplikasi Karya Anak Bangsa atau yang lebih dikenal dengan Gojek (sebelumnya ditulis GO-JEK) merupakan sebuah perusahaan teknologi asal Indonesia yang melayani angkutan melalui jasa ojek. Perusahaan ini didirikan pada tahun 2010 di Jakarta oleh Nadiem Makarim. Saat ini, Gojek telah tersedia di 50 kota di Indonesia. Hingga bulan Juni 2016, aplikasi Gojek sudah diunduh sebanyak hampir 10 juta kali di Google Play pada sistem operasi Android, dan telah tersedia di App Store. Gojek juga mempunyai layanan pembayaran digital yang bernama Gopay. Layanan Gojek kini telah tersedia di Thailand, Vietnam dan Singapura.

SEJARAH

•       Gojek didirikan oleh Nadiem Makarim, warga negara Indonesia lulusan Master of Business Administration dari Harvard Business School. Ide mendirikan Gojek muncul dari pengalaman pribadi Nadiem Makarim menggunakan transportasi ojek hampir setiap hari ke tempat kerjanya untuk menembus kemacetan di Jakarta.

•       Sebagai seorang yang sering menggunakan transportasi ojek, Nadiem melihat ternyata sebagian besar waktu yang dihabiskan oleh pengemudi ojek hanyalah sekadar mangkal menunggu penumpang. Ia menginginkan ojek yang bisa ada setiap saat dibutuhkan. Dari pengalamannya tersebut, Nadiem Makarim melihat adanya peluang untuk membuat sebuah layanan yang dapat menghubungkan penumpang dengan pengemudi ojek.

•       Pada tanggal 13 Oktober 2010, Gojek resmi berdiri dengan 20 orang pengemudi. Pada saat itu, Gojek masih mengandalkan call center untuk menghubungkan penumpang dengan pengemudi ojek. Pada pertengahan 2014, berkat popularitas Uber kala itu, Nadiem Makarim mulai mendapatkan tawaran investasi. Pada 7 Januari 2015, Gojek akhirnya meluncurkan aplikasi berbasis Android dan IOS untuk menggantikan sistem pemesanan menggunakan call center.

PENDANAAN

•       Gojek pertama kali mendapatkan kucuran dana dari NSI Ventures pada Juni 2015 dengan besaran dana yang tidak dipublikasikan. Pada Oktober 2015, Gojek kembali mendapatkan kucuran dana dari Sequoia Capital dan DST Global yang juga tidak disebutkan jumlahnya.

•       Pada Agustus 2016, Gojek secara resmi mengumumkan pendanaan senilai US$550 juta atau sekitar Rp7,2 triliun dari KKR, Warburg Pincus, Farallon Capital, dan Capital Group Private Markets dan investor-investor sebelumnya. Dengan adanya pendanaan tersebut, Gojek resmi berstatus sebagai unicorn pertama di Indonesia, yaitu startup dengan valuasi lebih dari US$1 miliar. Pada saat itu, valuasi Gojek telah mencapai US$1,3 miliar (sekitar Rp17 triliun).

Pada Januari 2018, Google melalui situs blog resminya mengumumkan bahwa mereka telah memberikan pendanaan untuk Gojek. Ini merupakan investasi pertama Google kepada startup di Asia. Kucuran dana tersebut merupakan bagian dari seri pendanaan yang diikuti oleh Tencent, JD, Temasek, dan Meituan-Dianping yang mencapai angka US$1,2 miliar (sekitar Rp16 triliun). Google tidak merinci besaran jumlah investasinya kepada Gojek namun sebuah sumber dari Reuters menyebutkan totalnya sekitar 100 juta dollar AS (sekitar 1,3 triliun).

Tidak lama setelah Google, pada 12 Februari 2018 Astra Internasional yang merupakan salah satu perusahaan otomotif nasional mengumumkan investasinya kepada Gojek senilai US$ 150 juta atau sekitar Rp2 triliun. Suntikan dana tersebut merupakan investasi terbesar sepanjang sejarah Astra di sektor digital dan yang terbesar di Gojek bila dibandingkan dengan investor-investor lainnya sampai pada saat itu. Pada hari yang sama, Djarum Grup melalui PT Global Digital Niaga (GDN) yang merupakan anak usaha perusahaan modal ventura Global Digital Prima (GDP) milik Djarum, juga mengumumkan investasinya kepada Gojek. GDN tidak bersedia mengungkapkan berapa dana yang mereka investasikan ke Gojek.

PRODUK YANG DIHASILKAN:

•       Aplikasi yang bergerak dalam bidang jasa contohnya:

-          Pemesanan Ojek Online

-          Pemesanan Makanan dan Minuman Online

-          Pengantaran Barang

-          Dan lain-lain.

-          Situs web (informasi mengenai jasa dan layanan)

USECASE DIAGRAM:

TUGAS SOFTSKILL 1

UNIVERSITAS GUNADARMA

FAKULTAS TEKNOLOGI INDUSTRI

TUGAS SOFTSKILL

MATAKULIAH PENGANTAR TEKNOLOGI GAME

Machine Learned Resume-Job Matching Solution

Nama Anggota      : - Bagas Anugrah Waluyo (51416293)

  - Edmundo Alexander Saputro (52416249)

  - Muhammad Kahfi (54416971)

  - Raditya Pratama Ardiansyah (55416930)

Kelas                     : 3IA06

Nama Dosen         : Syamsi Ruhama

UNIVERSITS GUNADARMA

2019

Machine Learned Resume-Job Matching Solution

Yiou Lin, Hang Lei, Prince Clement Addo, and Xiaoyu Li

University of Electronic Science and Technology of China, Chengdu, 610054, China lyoshiwo@gmail.com hlei@uestc.edu.cn pricetheboy@gmail.com xiaoyuuestcg@uestc.edu.cn

Pekerjaan, sekarang dapat dicari melalui media online. Karena sangat menjanjikan dan sangat bermanfaat kepada pencari pekerjaan ataupun para pekerja. Tetapi solusi dari mesin tradisional tanpa memahami makna semantik dari resume yang berbeda belum sejalan dengan perubahan luar biasa dalam teknik pembelajaran mesin dan kemampuan komputasi. Solusi ini biasanya didorong oleh aturan manual dan bobot kata kunci yang ditentukan sebelumnya yang mengarah pada pengalaman pencarian yang tidak efisien dan membuat frustrasi. Untuk tujuan ini, kami menghadirkan solusi yang dipelajari dengan berbagai fitur dan metode pembelajaran yang mendalam.  Solusi kami mencakup tiga modul yang dapat dikonfigurasi yang dapat dipasang dengan sedikit pembatasan. Yaitu, ekstraksi fitur yang tidak diawasi, pelatihan pengklasifikasi dasar dan pembelajaran metode ensemble. Dalam solusi kami, daripada menggunakan aturan manual, metode yang dipelajari mesin untuk secara otomatis mendeteksi kesamaan posisi semantik diusulkan. Kemudian empat auditor yang pemula dan auditor yang berpengalaman yang dipilih.  Akhirnya, metode ensemble ini meningkatkan prediksi masing-masing auditor untuk membentuk prediksi akhir yang akan diverifikasi. Hasil eksperimen lebih dari 47 ribu resume menunjukkan bahwa solusi kami dapat secara signifikan meningkatkan posisi saat ini seperti, gaji, latar belakang pendidikan, dan skala perusahaan.

Kata kunci: jobmatching,onlineresume,semanticsimilarity,deeplearn- ing, ensemble meth

1. Perkenalan

Menyusul dampak krisis keuangan global pada tahun 2008, banyak lembaga keuangan yang runtuh. Pekerja berpengalaman, di berbagai negara maju takut akan kehilangan pekerjaan mereka yang digaji mahal, dan tidak dapat dengan mudah menemukan pekerjaan serupa di tempat lain. Mesin rekrutmen elektronik yang efektif dapat membantu pencari kerja dengan mudah mengakses peluang rekrutmen dan mengurangi tenaga rekrutmen dengan menyediakan barang-barang yang sesuai dengan minat dan kualifikasi pribadi mereka. Ini juga membebaskan perusahaan dari kelebihan informasi yang tidak jelas dan biaya iklan. Modul kunci untuk mesin perekrutan elektronik dinamis adalah sistem pencocokan pekerjaan yang berupaya melibatkan para penganggur yang cocok dengan lowongan yang akan diisi.

II

Dalam pekerjaan ini, kami mengevaluasi masalah kesesuaian pekerjaan sebagai masalah klasifikasi. Ini untuk mengidentifikasi rincian pekerjaan pencari kerja saat ini (posisi terakhir dalam resume) dengan riwayat pekerjaan mereka sebelumnya. Kerangka kerja dari solusi kami dibangun oleh beberapa modul berdasarkan library keras [3] dan sklearn [9], dan secara praktis dapat digunakan dan mudah untuk diverifikasi. Melalui evaluasi secara empiris, kami menunjukkan langkah demi langkah bagaimana mengintensifkan solusi dan mendapatkan kinerja yang lebih baik daripada sistem pencocokan pekerjaan berbasis aturan manual.

Sisa makalah ini disusun sebagai berikut. Pada Bagian 2 kami mensurvei literatur terkait untuk memberikan gambaran latar belakang penelitian. Di Bagian 3, kami memperkenalkan deskripsi dataset. Kemudian kami mengusulkan metode ekstrak fitur dan model yang dipelajari mesin dalam Bagian 4 dan 5 masing-masing. Dalam Bagian 6, kami melaporkan dua metode ensemble dan menganalisis hasil empiris. Akhirnya, makalah ini disimpulkan di Bagian 7 dengan pekerjaan masa depan kita.

2 Tinjauan Pustaka

Sistem pencocokan pekerjaan adalah sejenis sistem pemberi rekomendasi. Sistem pemberi rekomendasi pertama kali diperkenalkan oleh Resnick dan Varian [10] yang menunjukkan bahwa dalam sistem pemberi rekomendasi tipikal orang memberikan rekomendasi sebagai input, yang kemudian dikumpulkan dan diarahkan ke penerima yang sesuai. Setelah itu sistem rekomendasi diterima dengan baik di berbagai industri dan bidang akademik dan mendapatkan momentum selama bertahun-tahun. Secara umum, sistem rekomendasi diterapkan dalam berbagai domain (seperti buku, produk digital, film, musik, program TV, dan situs web) dan membantu pengguna untuk menemukan konten, produk, atau layanan dengan mengumpulkan dan menganalisis saran dan perilaku dari pengguna lain [2] [6]. Dalam sebuah makalah survei yang terperinci [6] dapat memberikan para peneliti pengetahuan tentang sistem rekomendasi termasuk aplikasi dunia nyata, metode rekomendasi, domain aplikasi dunia nyata, dan plat aplikasi.

Untuk bidang pencocokan pekerjaan, banyak penelitian yang telah dilakukan untuk membahas sistem rekomendasi yang berbeda terkait dengan masalah perekrutan juga [1]. Di antara nya, Malinowski et al. [7] membahas sistem rekomendasi pencocokan bilateral untuk menyatukan orang-orang dengan pekerjaan menggunakan algoritma Expectation Maximization (EM), sementara Golec dan Kahya [4] menggambarkan model fuzzy untuk evaluasi dan seleksi karyawan berbasis kompetensi dengan aturan fuzzy. Paparrizos et al. [8] digunakan Decision Table / Naive Bayes (DTNB) sebagai penggolong hibrid. Meskipun sistem ini menggunakan banyak atribut manual dan berbagai teknik pengambilan informasi, dibandingkan dengan pekerjaan kami yang menggunakan metode pembelajaran yang mendalam untuk mempercepat proses menemukan pekerjaan yang paling tepat, mereka masih gagal mengikuti perubahan cepat dalam kemampuan komputasi dan kecerdasan mesin. Mirip dengan karya Zhang et al. [11], pekerjaan kami juga mencoba untuk mengoptimalkan pencocokan posisi pekerja pengetahuan, dengan mempertimbangkan berbagai karakteristik pekerja pengetahuan. Dibandingkan dengan karya Guo et al. [5], solusi kami sepenuhnya digerakkan oleh data, tanpa menggunakan alat semantik luar (NLTK dan DBpedia)

III

Seperti yang mereka lakukan. Selain itu, data resume kami dikumpulkan secara luas dari berbagai bidang yang menjadikan solusi kami lebih universal dan kuat.

3 Deskripsi kumpulan data

Dataset yang digunakan disadap dari rekomendasi pekerjaan game1 dan dapat didownload secara bebas2. Dataset asli berisi 70.000 resume dengan 34.090 posisi berbeda. Setelah pembersihan dan penyaringan, 47.346 resume yang pekerjaan terakhirnya termasuk daftar predikasi khusus dari 32 posisi paling sering (mis. Insinyur perangkat lunak, kasir dan manajer proyek) digunakan. Meskipun demikian, ada 18.736 posisi berbeda dalam dataset. Posisi yang paling sering ditunjukkan pada Gambar 1.

Gbr. 1: Posisi Paling Sering yang Muncul di Dataset

Tabel 1 adalah contoh resume dengan informasi pribadi dan riwayat kerja pencari kerja. Secara khusus, gaji ∈ [0,6], derajat∈ [0,2] sedangkan ukuran berarti skala perusahaan. Deskripsi masalah kami dapat ditampilkan sebagai mengidentifikasi posisi pencari kerja saat ini (posisi terakhir dalam resume) dengan riwayat pekerjaan sebelumnya.

4. Ekstraksi Informasi dari Resume

Ada tiga jenis fitur utama yang terdiri dari 95 fitur manual dasar, 72 fitur klaster dan 380 fitur semantik. Secara keseluruhan, ada 551 fitur untuk setiap resume.

http://www.pkbigdata.com/common/cmpt list/all all time 1.html http://www.pkbigdata.com/common/cmptData/147.html

4.1 Fitur Manual

Pada awalnya, banyak fitur manual yang dirancang. Beberapa fitur adalah bertipe karakter, beberapa nilai boolean, yang lain numerik. Untuk contoh yang ditunjukkan pada Tabel 1, fitur-fiturnya termasuk tetapi tidak terbatas pada jenis kelamin, usia, jurusan, perincian dan perubahan pekerjaan sebelumnya, usia saat pertama kali dipekerjakan, gaji tertinggi dan sebagainya. Nilai fitur karakter dimasukkan ke dalam kamus, dan tombol numerik digunakan sebagai pengganti nilai saat pelatihan.

4.2 Fitur Cluster

Fitur desain dapat diubah dari karakter ke tombol numerik, tetapi frasa yang serupa (seperti insinyur perangkat lunak dan insinyur Android) tidak akan pernah diidentifikasi. Dengan demikian, kami melatih model Mandarin Word2Vec menggunakan semua teks resume. Dan embeddings kata rata-rata dari frasa sekarang dapat mewakili makna semantiknya. Metode K-mean sederhana digunakan untuk mengklasifikasikan frase menjadi 64 dan 128 cluster. 5 pengalaman kerja terakhir dalam resume disimpan, masing-masing pengalaman kerja terdiri dari 7 frasa, termasuk departemen, industri, nama posisi, gaji, ukuran, jenis (biasanya kosong) dan seperempat (jika seorang pencari kerja 4 kuartal untuk sebuah perusahaan akan ditandai sebagai "kuartal 4"). Beberapa kelompok ditunjukkan pada Tabel 2

4.3 Fitur Semantik

Berbeda dari fitur cluster, dalam hal ini kami mencoba untuk menemukan makna semantik dari frasa dan hubungan potensial dari sejarah pekerjaan secara langsung. Menurut kami dalam NLP, makna kata ditentukan oleh konteksnya dan kata-kata yang serupa memiliki konteks yang sama. Dengan demikian, kami mengubah pengalaman kerja resume menjadi daftar urutan (n * 7 + 3) frase (n pengalaman dalam resume dengan 3 frase tambahan termasuk usia, utama dan jenis kelamin). Asumsikan setiap frase Cina sebagai kata dan setiap daftar frase sebagai kalimat, setelah pelatihan word2vec, setiap frase Cina akan disajikan oleh vektor 10 dimensi dan contoh makna semantik yang serupa ditunjukkan pada Tabel 3

5 Model yang Dipelajari dengan Mesin

5.1 Pengukur Dangkal 

(a)

(b)

Gbr. 2: Kinerja RF dan XGB dengan Parameter Berbeda

VI

Diambil dari set pelatihan dan pemisahan terbaik dipilih di antara bagian acak dari fitur. XGBoost (XGB), bentuk singkat untuk "Extreme Gradient Boosting", adalah pustaka pendongkrak gradien terdistribusi yang dioptimalkan yang dirancang agar sangat efisien, fleksibel, dan portabel. Hasil pencarian kisi-kisi dari Hasil RF dan XGB ditunjukkan pada Gambar 2. Setelah analisis, kami menemukan bahwa 473 fitur digunakan dalam XGB sementara hanya 163 fitur yang dipilih oleh RF.

5.2 Estimator Dalam

LSTM adalah jaringan saraf berulang yang cocok untuk belajar dari pengalaman untuk mengklasifikasikan, memproses dan memprediksi deret waktu. CNN dibentuk oleh tumpukan lapisan berbeda yang mengubah volume input menjadi volume output melalui lapisan Konvensional dan lapisan Pooling. Arsitektur CNN kami adalah seperti yang ditunjukkan pada Gambar 3.

Pool Konvolusi

Manuel

Gugus

Meratakan

Softmax

Semantik

Ratakan Embedding

Gbr. 3: Arsitektur Model CNN

6 Metode Ensemble dan Analisis Hasil

Bagging adalah salah satu algoritma berbasis ensemble yang paling awal dan paling sederhana. Biasanya, masing-masing pengklasifikasi akan digabungkan dengan mengambil suara mayoritas sederhana dari keputusan mereka. Asumsikan ada tiga pengklasifikasi untuk membuat predikasi positif atau negatif. Kami meningkatkan metode bagging (bernama IBagging) dengan memilih berdasarkan jumlah probabilitas keputusan dan dapat dengan mudah diperluas ke ansambel multi-kelas. Tanpa teknik pengambilan informasi dan mesin

VII

Metode pembelajaran, aturan manual dasar akan merekomendasikan label yang paling sering sebagai item rekomendasi. Kemudian, kita dapat mengukur solusi pencocokan resume pekerjaan dengan dua cara. Yang satu presisi, yang tujuannya adalah untuk mencakup sebanyak mungkin posisi yang benar. Hasilnya adalah seperti yang ditunjukkan pada Tabel 4. Dengan menganalisis percobaan, kita dapat menemukan bahwa XGB berkinerja terbaik di antara empat estimator basal dengan waktu pelatihan terlama, sementara model CNN melakukan konvergensi dalam waktu singkat dengan presisi yang dapat diterima. Sementara itu, solusi kami mendapat manfaat dari metode pengemasan dan metode ekstraksi fitur semantik tanpa pengawasan kami.

Tabel 4: Ketepatan Berbagai Klasifikasi

XGB

XGB

XGB

RF

CNN

Aturan Manual IBagging Bagging LSTM

Berdasarkan

fitur manual fitur semantik semua fitur

semua fitur

semua fitur semua fitur semua fitur semua fitur sering item

tingkat posisi ukuran gaji

.676 .509 .392 .460 .685 .498 .391 .458 .704 .511 .396 .467 .666 .511 .394 .453 .695 .508 .391 .465 .696 .507 .390 .454 .699 .517 .396 .476 .710 .516 .397 .477 .484 .254 .256 .141

waktu pelatihan

20m 6s 41m 24s 53m 19s 7m 58s 1m 14s 5m 52s –

- -

Seperti yang kita ketahui, banyak pasangan posisi resume mungkin tidak muncul dalam data pengujian, tetapi mereka masuk akal dan sering keluar sama dengan pasangan yang benar paada set data pelatihan. Dengan demikian, metode evaluasi lainnya, penarikan untuk rekomendasi Top-N digunakan untuk mengevaluasi berbagai solusi pencocokan. Dalam hal ini, recall adalah proporsi posisi yang benar dari dataset pengujian. Ada 32 posisi yang mungkin untuk resume, dengan probabilitasnya diberikan oleh pengklasifikasi, solusinya merekomendasikan posisi N atas untuk resume yang diberikan, dan laporan penarikan kembali untuk berbagai nilai N. Hasil Top-N adalah seperti yang ditunjukkan pada Tabel 5. The hasil menunjukkan peningkatan yang signifikan dalam penarikan untuk Top-N menggunakan metode IBagging dibandingkan dengan metode baseline.

Tabel 5: Ingat untuk Rekomendasi Top-N

Pedoman Aturan IBagging

N = 2 N = 3 N = 4 N = 2 N = 3 N = 4

Ukuran 0,467 derajat 0,929 gaji 0,394 posisi 0,223

.664 .784 .629 1.00 1.00 .965 .573 .712 .800 .299 .373 .647

.783 .898 1.00 1.00 .920 .971 .726 .780

VIII

7 Kesimpulan dan Pekerjaan Fitur

Dalam makalah ini, kami telah mempertimbangkan masalah pencocokan resume-pekerjaan dan mengusulkan solusi dengan menggunakan ekstraksi fitur yang tidak diawasi, metode pembelajaran mesin terkejut dan metode ensemble. Solusi kami sepenuhnya berdasarkan tanggal dan dapat mendeteksi posisi serupa tanpa alat semantik tambahan. Selain itu, solusi kami termodulasi dan dapat berjalan dengan cepat pada GPU atau secara bersamaan berjalan pada CPU. Dibandingkan dengan solusi berbasis aturan manual, metode kami menunjukkan kinerja yang lebih baik dalam presisi dan recall Top-N. Kode kami sekarang publik dan dapat disadap dari Github3. Di masa depan, dengan lebih banyak informasi yang akan diambil dari situs web, solusi kami dapat diperluas dengan memasukkan informasi lokasi, keterampilan profesional, dan deskripsi persyaratan dari pencari kerja dan pemberi kerja.

8 Akui

Karya ini didukung oleh National Science Foundation of China (Grant No. 61502082) dan Dana Penelitian Fundamental untuk Universitas Pusat

Kelebihan :

-       Mencari pekerjaan jadi lebih mudah

-       Kinerja yang lebih baik dalam presisi dan recall Top-N

-       Solusi termodulasi dan dapat berjalan dengan cepat pada GPU atau secara bersamaan berjalan pada CPU

-       Menggunakan ekstraksi fitur yang tidak diawasi, metode pembelajaran mesin terkejut dan metode ensemble

Kekurangan : 

-       Persaingan antar pekerja yang semakin ketat dikarenakan mudahnya mencari pekerjaan

-       Masih menggunakan Alat Semantik Tambahan

Kesimpulan:

Dijaman sekarang pekerjaan dapat dicari dengan mudah melalui media online. untuk tujuan ini kami menghadirkan solusi yang dipelajari dengan berbagai fitur dan metode pembelajaran yang mendalam. soluis kami mencakup 3 modul yang dapat dikonfigurasi dan dapat dipasang dengan sedikit pembatasan. yaitu: ekstraksi fitur yang tidak diawasi,pelatihan pengklasifikasi dasar dan pembelajaran metode ensemble. diantara solusi kami metode yang kami usulkan adalah metode yang dipelajari mesin secara otomatis untuk mendeteksi kesamaan posisi semantik.

Dalam pekerjaan ini, kami mengevaluasi masalah kesesuaian pekerjaan sebagai masalah klasifikasi. Ini untuk mengidentifikasi rincian pekerjaan pencari kerja saat ini (posisi terakhir dalam resume) dengan riwayat pekerjaan mereka sebelumnya. Kerangka kerja dari solusi kami dibangun oleh beberapa modul berdasarkan library keras [3] dan sklearn [9], dan secara praktis dapat digunakan dan mudah untuk diverifikasi. Melalui evaluasi secara empiris, kami menunjukkan langkah demi langkah bagaimana mengintensifkan solusi dan mendapatkan kinerja yang lebih baik daripada sistem pencocokan pekerjaan berbasis aturan manual.

Sistem pencocokan pekerjaan adalah sejenis sistem pemberi rekomendasi. Sistem pemberi rekomendasi pertama kali diperkenalkan oleh Resnick dan Varian [10] yang menunjukkan bahwa dalam sistem pemberi rekomendasi tipikal orang memberikan rekomendasi sebagai input, yang kemudian dikumpulkan dan diarahkan ke penerima yang sesuai.

Dalam makalah ini, kami telah mempertimbangkan masalah pencocokan resume-pekerjaan dan mengusulkan solusi dengan menggunakan ekstraksi fitur yang tidak diawasi, metode pembelajaran mesin terkejut dan metode ensemble. Solusi kami sepenuhnya berdasarkan tanggal dan dapat mendeteksi posisi serupa tanpa alat semantik tambahan. Selain itu, solusi kami termodulasi dan dapat berjalan dengan cepat pada GPU atau secara bersamaan berjalan pada CPU. Dibandingkan dengan solusi berbasis aturan manual, metode kami menunjukkan kinerja yang lebih baik dalam presisi dan recall Top-N. Kode kami sekarang publik dan dapat disadap dari Github3. Di masa depan, dengan lebih banyak informasi yang akan diambil dari situs web, solusi kami dapat diperluas dengan memasukkan informasi lokasi, keterampilan profesional, dan deskripsi persyaratan dari pencari kerja dan pemberi kerja.