Perpustakaan Digital ITB

Proses rekrutmen pada perusahaan merupakan salah satu proses yang memakan waktu yang lama. Proses rekrutmen biasanya membutuhkan sumber daya dan waktu yang banyak. Pada bidang IT, recruiter juga haruslah memiliki pengetahuan domain bidang IT untuk dapat melakukan rekrutmen dengan baik. Perkembangan teknologi yang semakin maju telah memunculkan berbagi teknologi yang dapat membantu recruiter dalam proses rekrutmen ini. Interview dilakukan dengan melakukan interview untuk tiap poin kompetensi yang diberikan oleh recruiter Interview terdiri dari 2 tahap, yaitu behavioral dan teknikal. Interview bewhavioral dilakukan secara BEI (Behavioral Event Interview) dengan metode STAR (Situation, Task, Action, and Result). Penilian interview behavioral dan teknikal dilakukan dengan klasifikasi 2 kelas. Hasil penilaian tersebut diagregasi untuk mendapatkan skor dari seluruh interview. Pada implementasi sistem, dilakukan few-shot learning pada LLM GPT-4o untuk membangkitkan pertanyaan pada interview. Hasil evaluasi pembangkit pertanyaan behavioral dengan G-Eval menggunakan LLM GPT-4 menunjukkan model memiliki nilai metrik answerability sebesar 0.8938, nilai metrik listening sebesar 0.9633, nilai mertik relevance sebesar 0.986, dan nilai metrik buatan STAR completeness sebesar 0.9532. Proses evaluasi interview, implementasi dilakukan dengan melakukan fine-tuning pada model Longformer untuk penilaian interview behavioral dan few-shot learning pada LLM GPT-4 untuk penilaian interview teknikal. Penggunaan RAG terhadap knowledge base yang berisi pengetahuan mengenai term pada bidang IT juga digunakan untuk membantu mengaugmentasikan output dari Longformer. Knowledge base yang digunakan adalah Wikipedia. Data yang digunakan pada proses fine-tuning merupakan data sintetik yang dibuat dengan prompt engineering pada LLM GPT-4 dan GPT-4o. Hasil fine-tuning pada model Longformer untuk mengklasifikasikan hasil interview behavioral memiliki nilai F1-score sebesar 0.962, nilai accuracy sebesar 0.967, nilai precision sebesar 0.970, dan nilai recall sebesar 0.967.