Penggunaan Jaccard Similarity Coefficient dalam Optimasi Proses Rekrutmen Karyawan Berbasis Profil dan Kompetensi

Abstract

Rekrutmen karyawan yang efektif sangat penting untuk menemukan karyawan yang tepat sesuai kebutuhan perusahaan. Salah satu cara untuk mencapainya adalah dengan menggunakan algoritma yang bisa mengidentifikasi kandidat potensial berdasarkan kompetensi yang dibutuhkan. Meski ada berbagai metode untuk mengefisiensikan rekrutmen, seperti penyaringan resume dan optimasi iklan lowongan, belum banyak penelitian yang fokus pada metode berbasis kemiripan untuk mengurangi subjektivitas. Penelitian ini bertujuan mengembangkan model Machine Learning menggunakan Jaccard similarity coefficient untuk menentukan kandidat potensial berdasarkan kesamaan profil dan kompetensi dengan karyawan yang ada. Model ini terdiri dari tiga tahap: pertama, mengidentifikasi karyawan dan kandidat dengan keahlian sesuai kebutuhan; kedua, menggunakan Jaccard similarity coefficient untuk menghitung skor kemiripan profil dan mengelompokkan mereka; ketiga, menghitung skor kemiripan kompetensi dan memprediksi kandidat yang lolos. Hasil menunjukkan akurasi 75%, presisi 71%, recall 62%, dan f1 score 67%, dengan stabilitas terbaik pada dataset 509 karyawan. Akurasi 75% menunjukkan bahwa model dapat memprediksi kandidat yang tepat dengan tingkat ketepatan 75%, cukup baik untuk mengurangi subjektivitas, meningkatkan efisiensi, dan membantu perusahaan menemukan kandidat terbaik.