Perpustakaan Digital ITB

Penyaringan CV (Curriculum Vitae) adalah salah satu tahap krusial dalam proses rekrutmen. Proses ini sering kali memakan waktu dan rentan terhadap berbagai tantangan seperti jumlah CV yang besar, waktu terbatas, dan bias subjektif. Untuk meningkatkan efisiensi dan efektivitas proses ini, dikembangkan aplikasi CV Screening yang mencakup modul CV Extraction menggunakan metode PromptNER. Modul ini diharapkan dapat mengekstraksi informasi dari CV secara lebih akurat dibandingkan metode OCR (Optical Character Recognition) dan NLP (Natural Language Processing) yang digunakan sebelumnya. Solusi yang diusulkan mencakup proses ekstraksi entitas dari CV yang lebih kontekstual dan mampu menangani variasi struktur CV yang beragam. PromptNER memanfaatkan kemampuan LLM (Large Language Model) untuk memahami bahasa dan konteks dengan lebih mendalam, memungkinkan interpretasi CV yang lebih akurat dan konsisten meskipun terdapat variasi struktur CV. Modul ini juga lebih fleksibel dalam mengenali dan mengekstraksi entitas baru dibandingkan model NER tradisional. Hasil pengujian menunjukkan bahwa PromptNER lebih efektif dalam mengekstraksi entitas yang relevan, dibuktikan dengan nilai cosine similarity yang lebih tinggi. Selain itu, penggunaan contoh Few-Shot (10-shot dibandingkan 5-shot) terbukti meningkatkan akurasi ekstraksi entitas, meskipun ada sedikit peningkatan waktu proses dan jumlah token yang diproses. Secara keseluruhan, PromptNER menunjukkan kinerja yang lebih baik dibandingkan metode sebelumnya dan metode prompting umum, dengan peningkatan akurasi ekstraksi entitas. Pemilihan LLM yang digunakan dapat disesuaikan dengan kebutuhan spesifik modul. Keunggulan utama PromptNER terletak pada pendekatan strategis yang digunakan, termasuk definisi entitas yang jelas, contoh-contoh Few-Shot yang dipilih secara strategis, dan format output yang terstruktur