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