PROFILE MATCHING  CV  KANDIDAT DENGAN LOWONGAN PEKERJAAN MENGGUNAKAN NAMED ENTITY RECOGNITION - Dalam bentuk buku karya ilmiah

IMANUEL UNEPUTTY

Informasi Umum

Kode

25.04.5839

Klasifikasi

000 - General Works

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Information System

Dilihat

32 kali

Informasi Lainnya

Abstraksi

Curriculum vitae sebagai dokumen yang berisi riwayat hidup kandidat tentang pengalaman kerja, pendidikan, keterampilan bahkan pencapaian dari kandidat yang sedang melamar pekerjaan adalah sebuah dokumen awal yang akan digunakan oleh tim manajemen sumber daya manusia untuk melakukan seleksi administrasi pada posisi tertentu di organisasi mereka. Namun proses ini menghadapi berbagai kendala dalam praktik sehari – hari, terdapat sejumlah curriculum vitae yang tidak sesuai dengan posisi yang dibuka pada suatu organisasi. Kondisi ini membuat tim manajemen sumber daya manusia kewalahan dalam melakukan seleksi, solusi yang ada saat ini adalah menggunakan Google Form sebagai alat bantu dalam melakukan proses rekrutmen, sehingga tim manajemen sumber daya manusia dapat melakukan filter terhadap keyword yang sesuai dengan posisi yang terbuka, namun solusi saat ini belum sepenuhnya memenuhi kebutuhan dari tim manajemen sumber daya manusia. Dalam penelitian kali ini, dikembangkan model Named Entity Recognition yang diharapkan mampu melakukan esktraksi entitas pada curriculum vitae dan requirement pekerjaan. Hasil penelitian ini menunjukkan performa model yang cukup baik saat dilakukan proses pelatihan dengan nilai F1-Score mencapai 84,71%, Precision sebesar 86,63, dan Recall 83,00. Selain itu waktu pelatihan yang digunakan pada penelitian ini cukup lama, dimana mayoritas skenario pelatihan membutuhkan waktu lebih dari 200 menit dengan jumlah epoch maksimal yang menyentuh angka 973. Setelah melakukan proses pelatihan, model dilakukan pengujian dengan menggunakan data uji baik sebelum dilakukan deployment dan setelah dilakukan deployment menggunakan framework Streamlit. Setelah melakukan pengujian menggunakan framework Streamlit model menunjukkan performa yang cukup baik dalam melakukan ekstraksi entitas pada kategori curriculum vitae dengan mayoritas F1-Score, Precision, dan Recall menyentuh angka 1.00. Di sisi lain, pada kategori requirement pekerjaan model dapat mempertahankan performanya dengan stabil pada beberapa data setelah dilakukan deployment, namun metrik evaluasinya belum memiliki performa sebaik kategori curriculum vitae. Penelitian ini juga merekomendasikan penggunaan jumlah data yang seimbang antara entitas dan eksplorasi terhadap hyperparameter tuning yang lebih dalam lagi untuk meningkatkan performa model.