Deskripsi
Penelitian ini mengembangkan model AI-Driven Recruitment untuk mengotomatisasi pemetaan kualifikasi kandidat terhadap 398 posisi pekerjaan yang berbeda. Masalah utama dalam rekrutmen modern adalah tingginya volume pelamar dan kesulitan kandidat dalam menentukan posisi yang sesuai dengan keahlian mereka. Tujuan penelitian ini adalah mengoptimalkan akurasi rekomendasi pekerjaan dengan mengatasi tantangan data yang tidak seimbang dan kompleksitas fitur pada profil pelamar. Model ini menggunakan pendekatan algoritma Boosting, yang mengintegrasikan fitur teks (TF-IDF dari deskripsi keahlian) dan variabel numerik (pengalaman kerja) untuk mempelajari pola rekrutmen historis secara iteratif. Keunikan utama penelitian ini terletak pada perbandingan performa antara varian algoritma Boosting, yaitu XGBoost, LightGBM, AdaBoost, dan CatBoost. Hasil eksperimen menunjukkan bahwa XGBoost memiliki nilai utama tertinggi dengan akurasi Top-1 mencapai 89,75% dan akurasi Top-5 hampir sempurna sebesar 97,72%. Di sisi lain, LightGBM menawarkan stabilitas generalisasi terbaik dengan celah (gap) terkecil hanya 0,13%. Solusi ini membantu perusahaan mengambil keputusan rekrutmen yang lebih objektif, cepat, dan berbasis data.
