Dokumen Asli
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
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.