Perpustakaan Digital ITB

Proses CV screening pada tahapan rekrutmen pegawai sangat memakan waktu sehingga dibutuhkan teknologi untuk meningkatkan efisiensi proses ini. Penelitian terdahulu telah mengembangkan modul CV matching menggunakan teknik TF- IDF dan Bag of Words berbasis kamus kompetensi. Penelitian ini bertujuan untuk mengembangkan modul CV matching menggunakan semantic textual similarity berbasis embedding untuk meningkatkan akurasi modul sebelumnya. Penelitian ini menggunakan representasi embedding untuk mencocokkan CV terhadap deskripsi pekerjaan. Dengan representasi embedding, sistem dapat memahami konteks dan makna dari teks secara lebih mendalam sehingga menghasilkan pencocokan yang lebih akurat. Model embedding yang digunakan adalah contextual embedding untuk pemahaman konteks yang lebih baik dan pada tingkat granularitas kalimat untuk efisiensi. Berdasarkan hasil pengujian, modul yang dikembangkan berhasil melampaui akurasi modul sebelumnya. Model all-MiniLM-L12-v2 memberikan kinerja yang lebih baik dibandingkan model mxbai-embed-large-v1. Teknik scoring metode max menunjukkan kinerja terbaik, sementara metode average memiliki akurasi yang terburuk karena over saturasi kalimat yang tidak relevan. Penggunaan FAISS juga terlihat mempercepat proses pencocokan sebanyak 10.7%, sehingga proses perekrutan menjadi lebih efisien. Kesimpulannya, modul CV matching berbasis embedding menghasilkan kualitas CV matching yang lebih akurat dibandingkan dengan TF-IDF dan Bag of Words. Penggunaan metode max untuk menilai CV memberikan akurasi tertinggi. Selain itu, implementasi vector store mampu meningkatkan efisiensi program. Kombinasi model all-MiniLM-L12-v2 dan teknik scoring metode max menghasilkan kinerja terbaik untuk CV matching. Metode ini menunjukkan peningkatan akurasi sebesar 50% dibandingkan dengan metode TF-IDF dan Bag of Words.