Jobs in the field of computer science and informatics are very numerous and specific i.e. about 550 workersn. The Informatics Engineering Study Program requires guidance in compiling a curriculum that is in accordance with the classification of work in the field of Information Technology. From these main problems, it is formulated how to build a model for the classification of types of work in the field of Information Technology which can be one of the guidelines for Higher Education (PT) in the field of Computer Science in compiling graduate competencies and pt curriculum. As a solution to this problem, it is necessary to create a model that appliesthe K-Nearest Neighbor algorithm to the classification of the type of WORK in the IT field and the skills needed in each type of work. The classification is divided into 10 classes as stated in the 2020 Curricula omputing guidelines. The data is taken from the results of Web Scraping on the Kebsite alibrr.com then the pre-processing text stage is carried out and determines the distance between documents using Eucledian Distance for youth in the classification using the K-NN algorithm. The experiential results of 450 data were obtained by 100% accuracy results using K-Fold Cross Validation with 10 iterations.

Jenis pekerjaan di bidang ilmu komputer dan informatika sangat banyak dan spesifik yaitu sekitar 550 pekerjaan. Program Studi Teknik Informatika memerlukan panduan dalam menyusun kurikulum yang sesuai dengan klasifikasi pekerjaan di bidang Teknologi Informasi. Dari masalah utama tersebut sehingga dirumuskan bagaimana membangun model untuk klasifikasi jenis pekerjaan di bidang Teknologi Informasi yang dapat menjadi salah satu pedoman Perguruan Tinggi (PT) di bidang Ilmu Komputer dalam menyusun kompetensi lulusan dan kurikulum PT. Sebagai solusi dari permasalahan tersebut perlu dibuatkan sebuah model yang mengimplementasi algoritma K-Nearest Neighbor pada klasifikasi jenis pekerjaan bidang TI dan ketrampilan yang dibutuhkan pada masing masing jenis pekerjaan. Klasifikasi dibagi atas 10 kelas sesuai yang tercantum pada pedoman omputing Curricula 2020. Data diambil dari hasil Web Scraping pada website Kalibrr.com kemudian dilakukan tahap teks pra prosesing dan menentukan jarak antar dokumen dengan menggunakan Eucledian Distance untuk kemudaian di klasifikasi menggunakan algoritma K-NN. Hasil ekseperiman dari 450 data di dapat hasil akurasi sebesar 100% menggunakan K-Fold Cross Validation dengan 10 iterasi.