Mengembangkan Alat Penyaringan Resume Cerdas Dengan Fitur Analisis dan Rekomendasi Berbasis AI

ABSTRAK
Penyaringan resume saat ini bergantung pada tinjauan manual, yang menyebabkan keterlambatan dan kesalahan dalam mengevaluasi sejumlah besar resume. Kurangnya otomatisasi dan ekstraksi data menyebabkan inefisiensi dan potensi bias. Perekrut menghadapi tantangan dalam mengidentifikasi kandidat yang memenuhi syarat karena pengawasan dan keterbatasan waktu. Kriteria evaluasi yang tidak konsisten menghambat pengambilan keputusan. Masalah-masalah ini mengakibatkan proses perekrutan yang berkepanjangan, peluang yang hilang, dan potensi bias dalam pemilihan kandidat. Tujuan dari proyek ini adalah untuk mengembangkan Alat Analisis dan Rekomendasi Resume bertenaga AI, yang melayani tren perekrut yang menghabiskan waktu kurang dari 2 menit pada setiap CV. Alat ini akan menganalisis semua komponen resume dengan cepat sambil memberikan prediksi dan rekomendasi yang dipersonalisasi kepada pelamar untuk meningkatkan CV mereka. Alat ini akan menyajikan data yang mudah digunakan bagi perekrut, memfasilitasi ekspor ke CSV untuk diintegrasikan ke dalam proses perekrutan mereka. Selain itu, alat ini akan menawarkan wawasan dan analitik tentang peran dan keterampilan populer di pasar kerja. Bagian penggunanya akan memungkinkan pelamar untuk terus menguji dan melacak resume mereka, mendorong penggunaan berulang dan meningkatkan lalu lintas. Perguruan tinggi dapat memperoleh manfaat dari memperoleh wawasan tentang resume siswa sebelum penempatan. Secara keseluruhan, alat bertenaga AI ini bertujuan untuk meningkatkan proses evaluasi resume, yang menguntungkan baik pencari kerja maupun pemberi kerja. Tujuan utama dari proyek ini adalah untuk mengembangkan Resume Analyzer menggunakan Python, yang menggabungkan pustaka canggih seperti Pyresparser, NLTK (Natural Language Toolkit), dan MySQL. Sistem otomatis ini menawarkan solusi yang efisien untuk mengurai, menganalisis, dan mengekstrak informasi penting dari resume. Antarmuka yang mudah digunakan, yang dikembangkan menggunakan Streamlit, memungkinkan pengunggahan resume yang lancar, visualisasi data yang mendalam, dan analitik. Resume Analyzer secara signifikan menyederhanakan proses penyaringan resume, memberikan perekrut wawasan yang berharga dan meningkatkan kemampuan pengambilan keputusan mereka.

1 Pendahuluan
Proyek Resume Analyzer adalah alat berbasis Python yang bertujuan untuk merevolusi proses penyaringan resume dengan mengotomatiskan tugas yang biasanya melelahkan dan memakan waktu, yaitu meninjau resume secara manual. Dengan memanfaatkan kekuatan Pyresparser, NLTK (Natural Language Toolkit), dan MySQL, sistem ini menawarkan solusi komprehensif untuk mengurai, menganalisis, dan mengekstrak informasi penting dari resume. Alat ini menggunakan teknik pemrosesan bahasa alami dari NLTK dan Pyresparser untuk mengekstrak detail penting dari resume, seperti informasi kontak, pengalaman kerja, pendidikan, keterampilan, dan sertifikasi. Dengan mengotomatiskan proses ekstraksi ini, Resume Analyzer menghemat waktu yang berharga bagi perekrut dan profesional SDM, sehingga mereka dapat fokus mengevaluasi kandidat daripada memilah-milah tumpukan dokumen. Untuk memfasilitasi interaksi pengguna dan menciptakan pengalaman yang lancar, Resume Analyzer mengintegrasikan Streamlit, kerangka kerja aplikasi web yang mudah digunakan. Melalui antarmuka yang didukung Streamlit, pengguna dapat dengan mudah mengunggah resume, melihat data yang diurai, dan mengakses visualisasi dan analitik yang mendalam. Sifat antarmuka yang intuitif memastikan bahwa perekrut dapat dengan cepat menavigasi alat tersebut dan membuat keputusan yang tepat berdasarkan data resume yang diekstrak. Data resume yang diekstrak disimpan secara efisien dalam basis data MySQL, menyediakan akses mudah, pengambilan, dan potensi untuk analisis lebih lanjut. Perekrut dapat mengakses informasi kandidat dalam format terstruktur dan terorganisasi, memungkinkan mereka untuk membandingkan dan mengevaluasi pelamar berdasarkan kriteria yang telah ditetapkan dengan mudah. ​​Selain itu, sistem ini memperkenalkan siklus umpan balik unik yang memungkinkan pelamar menerima rekomendasi yang dapat ditindaklanjuti untuk meningkatkan resume mereka. Fitur ini tidak hanya meningkatkan kualitas resume tetapi juga memberdayakan pencari kerja untuk lebih menyelaraskan profil mereka dengan permintaan pasar. Bagi perekrut, alat ini menyediakan analitik terperinci tentang peran populer, keterampilan yang dibutuhkan, dan tren yang muncul di pasar kerja, yang memungkinkan pengambilan keputusan berdasarkan data. Dengan menawarkan manfaat ganda ini, AI Resume Analyzer menjembatani kesenjangan antara pencari kerja dan pemberi kerja, mendorong proses perekrutan yang lebih efisien dan adil. Dengan kemampuannya untuk menyederhanakan proses penyaringan resume, Resume Analyzer terbukti menjadi aset berharga bagi organisasi dari semua ukuran. Dengan menghemat waktu dan tenaga pada tahap penyaringan awal, perekrut dapat fokus pada identifikasi kandidat terbaik dan melakukan wawancara yang lebih bermakna. Kemampuan analisis dan penguraian yang efisien dari alat ini meningkatkan keakuratan evaluasi kandidat, yang pada akhirnya menghasilkan keputusan perekrutan yang lebih baik. Proyek ini juga bertujuan untuk memberikan wawasan dan analisis yang berharga untuk membantu perekrut dalam proses pengambilan keputusan mereka. Dengan menggabungkan data tentang keterampilan yang populer, tingkat pengalaman, dan latar belakang pendidikan, alat ini memberdayakan organisasi dengan informasi penting untuk mengoptimalkan strategi perekrutan mereka. Selain inovasi teknisnya,AI Resume Analyzer mengatasi tantangan penting dalam lanskap perekrutan, seperti pengurangan bias dan skalabilitas. Dengan mengandalkan kriteria objektif dan berbasis data untuk evaluasi kandidat, sistem meminimalkan bias bawah sadar yang sering mengganggu proses penyaringan manual. Lebih jauh, arsitekturnya yang dapat diskalakan memastikan bahwa ia dapat menangani resume dalam jumlah besar tanpa mengorbankan kinerja, sehingga cocok untuk bisnis kecil dan perusahaan besar. Fitur-fitur ini memposisikan AI Resume Analyzer sebagai alat transformatif dalam industri perekrutan, menawarkan keunggulan kompetitif bagi organisasi dan pencari kerja. Secara keseluruhan, proyek Resume Analyzer berusaha untuk menjadi solusi yang andal, efisien, dan ramah pengguna yang menyederhanakan proses penyaringan resume dan meningkatkan pengambilan keputusan bagi perekrut. Dengan mengotomatiskan analisis dan pengaturan resume, alat ini berkontribusi pada pendekatan yang lebih efisien, efektif, dan berbasis data untuk akuisisi bakat, yang pada akhirnya mengarah pada perekrutan yang lebih baik dan organisasi yang lebih kuat.

Proses penyaringan resume saat ini bergantung pada tinjauan manual oleh perekrut, yang mengarah pada evaluasi resume dalam jumlah besar yang memakan waktu dan tenaga. Metode ini rentan terhadap kesalahan manusia dan potensi kelalaian, yang menghambat identifikasi kandidat yang memenuhi syarat. Selain itu, kurangnya otomatisasi dan mekanisme ekstraksi data yang efisien berkontribusi pada inefisiensi dan potensi bias dalam proses tersebut. Untuk mengatasi keterbatasan ini, Resume Analyzer yang diusulkan memanfaatkan teknologi AI, NLP, dan ML. Ini mengotomatiskan pemindaian resume, mengekstraksi informasi yang relevan seperti pendidikan, pengalaman kerja, dan keterampilan. Ini menghilangkan upaya manual dan mempercepat evaluasi kandidat. Sistem ini mengatur dan menyimpan data dalam basis data terpusat, memfasilitasi pengambilan dan analisis yang mudah untuk referensi di masa mendatang. Dengan membandingkan kualifikasi kandidat dengan persyaratan pekerjaan, Resume Analyzer memastikan perekrut fokus pada kandidat yang paling cocok, meningkatkan pengambilan keputusan. Selain itu, ini meminimalkan bias dengan mengandalkan kriteria objektif. Selain itu, sistem ini menawarkan analitik terperinci, wawasan, dan peringkat kandidat, membantu perekrut dalam mengidentifikasi bakat terbaik secara efisien. Dapat disesuaikan dan terpadu, Resume Analyzer menyederhanakan proses perekrutan, meningkatkan efisiensi dan keputusan perekrutan berdasarkan data. Dengan kemampuan pembelajaran berkelanjutan, Resume Analyzer terus meningkatkan kinerjanya dan menyesuaikan dengan preferensi organisasi.

Sistem yang diusulkan, “AI Resume Analyzer,” adalah solusi komprehensif yang dirancang bagi pelamar dan perekrut untuk menganalisis resume dan memperoleh wawasan berharga. Sistem ini memanfaatkan teknik pemrosesan bahasa alami untuk memahami konten resume dan mengekstrak informasi yang relevan. Informasi ini kemudian diurai dan disimpan dalam basis data untuk memudahkan pengambilan dan analisis lebih lanjut. Bagi pelamar, sistem ini menyediakan prediksi, kiat, dan rekomendasi berdasarkan informasi resume yang diurai. Fitur ini membantu pelamar meningkatkan resume mereka dengan menyarankan modifikasi, mengoptimalkan kata kunci, atau menyorot area yang memerlukan perhatian. Dengan memanfaatkan analisis cerdas sistem, pelamar dapat meningkatkan peluang mereka untuk mendapatkan peluang kerja. Di sisi lain, AI Resume Analyzer menawarkan analitik yang kuat dan data informatif bagi perekrut atau administrator. Sistem ini menghasilkan wawasan dan statistik berharga yang diperoleh dari resume pelamar. Wawasan ini dapat mencakup tren dalam peran pekerjaan, keterampilan yang dibutuhkan, pola pendidikan, dan banyak lagi. Analitik memungkinkan perekrut untuk membuat keputusan berdasarkan data, mengidentifikasi kandidat terbaik, dan menyederhanakan proses perekrutan mereka secara efektif. Secara keseluruhan, AI Resume Analyzer berfungsi sebagai alat yang berharga bagi pelamar dan perekrut. Alat ini memberdayakan pelamar dengan rekomendasi dan prediksi yang dipersonalisasi, sekaligus menyediakan analitik yang kuat dan data informatif bagi perekrut, sehingga meningkatkan efisiensi dan efektivitas proses penyaringan dan perekrutan resume.

Alat AI Resume Analyzer menawarkan beberapa fitur dan manfaat yang berharga. Pertama, alat ini memungkinkan organisasi untuk mengekstrak semua data resume dan mengubahnya menjadi format tabel terstruktur, sehingga cocok untuk analisis dan ekspor ke CSV. Hal ini memungkinkan organisasi untuk memanfaatkan data untuk tujuan analitik, memperoleh wawasan berharga tentang kumpulan bakat mereka. Kedua, alat ini memberikan rekomendasi, prediksi, dan skor keseluruhan untuk resume. Hal ini memberdayakan pengguna untuk meningkatkan resume mereka dengan memasukkan perubahan yang disarankan dan terus menguji efektivitasnya menggunakan alat kami. Lebih jauh lagi, penyertaan bagian pengguna dalam alat ini dapat menghasilkan peningkatan lalu lintas. Pengguna dapat membuat akun, mengakses riwayat resume mereka, dan mendapatkan manfaat dari rekomendasi dan wawasan yang dipersonalisasi, meningkatkan pengalaman dan keterlibatan pengguna mereka. Perguruan tinggi juga dapat memanfaatkan alat kami untuk memperoleh wawasan tentang resume siswa mereka sebelum penempatan. Hal ini memungkinkan mereka untuk lebih memahami profil, keterampilan, dan pengalaman siswa, memfasilitasi konseling karier dan dukungan penempatan yang lebih efektif. Selain itu, alat ini menawarkan kemampuan untuk menganalisis peran pekerjaan mana yang paling diminati pengguna. Informasi ini dapat berharga untuk memahami tren pasar, mengidentifikasi jalur karier yang populer, dan menyesuaikan strategi perekrutan yang sesuai. Untuk terus meningkatkan alat ini, kami secara aktif mencari masukan dari pengguna. Dengan memasukkan saran pengguna dan memenuhi kebutuhan mereka, kami memastikan bahwa alat ini tetap relevan, efisien, dan mudah digunakan, serta menyediakan sumber daya yang berharga bagi pelamar dan perekrut [ 1 , 2 ].

2 Survei Literatur
Penambangan teks [ 3 ] adalah proses mengekstraksi informasi yang bermakna dari sejumlah besar data teks. Ini dapat digunakan untuk berbagai tujuan, termasuk analisis resume. Ada dua pendekatan utama untuk penambangan teks untuk analisis resume: pembelajaran terbimbing dan pembelajaran tak terbimbing. Pembelajaran terbimbing memerlukan kumpulan data pelatihan resume yang telah diberi label dengan informasi yang diinginkan. Pembelajaran tak terbimbing tidak memerlukan kumpulan data pelatihan. Sebaliknya, ia menggunakan teknik statistik untuk mengidentifikasi pola dalam data teks. Ada sejumlah tantangan yang terkait dengan penambangan teks untuk analisis resume, seperti format resume yang sangat bervariasi, bahasa yang digunakan dalam resume bersifat informal dan tidak terstruktur, dan kualitas resume yang sangat bervariasi. Namun, penambangan teks untuk analisis resume memiliki sejumlah manfaat potensial, seperti dapat membantu mengotomatiskan proses penyaringan resume, dapat membantu mengidentifikasi kandidat yang memenuhi syarat yang mungkin terlewatkan, dan dapat membantu memastikan bahwa semua kandidat dievaluasi secara adil. Secara keseluruhan, penambangan teks untuk analisis resume adalah pendekatan yang menjanjikan yang dapat membantu departemen SDM untuk meningkatkan efisiensi dan efektivitas proses perekrutan mereka.

Sistem Smart Resume Analyzer [ 4 ] adalah aplikasi penambangan teks yang menggunakan algoritma pencocokan kata kunci untuk menganalisis resume dan mengidentifikasi kandidat potensial untuk wawancara. Sistem ini menggunakan kamus kata kunci yang dipersonalisasi untuk dicocokkan dengan istilah dalam resume. Data yang diperlukan diekstraksi dan ditempatkan dalam database, dan informasi lengkap diurutkan menggunakan beberapa kriteria. Sistem kemudian menjadwalkan wawancara berdasarkan daftar yang diurutkan yang dihasilkan. Sistem ini memiliki beberapa manfaat. Ini dapat membantu lulusan mengidentifikasi dan memperbaiki kekurangan dalam resume mereka. Ini juga dapat membantu lulusan menyoroti keterampilan dan pengalaman mereka dengan cara yang lebih efektif. Selain itu, sistem ini dapat membantu lulusan mendapatkan lebih banyak wawancara dan meningkatkan peluang mereka untuk mendapatkan pekerjaan. Namun, sistem ini masih dalam pengembangan, dan ada beberapa keterbatasan pada sistem tersebut. Misalnya, sistem hanya bekerja dengan resume yang ditulis dalam bahasa Inggris. Secara keseluruhan, Sistem Smart Resume Analyzer adalah alat yang menjanjikan yang dapat membantu lulusan meningkatkan resume mereka dan meningkatkan peluang mereka untuk mendapatkan pekerjaan.

Pembelajaran mesin [ 5 ] adalah alat yang ampuh yang sangat menjanjikan dalam memprediksi hasil kemampuan kerja siswa, yang bermanfaat bagi penasihat karier dan siswa dalam membuat keputusan pendidikan dan karier yang lebih baik. Dengan menganalisis kumpulan data besar informasi siswa, pembelajaran mesin dapat mengidentifikasi pola yang mengarah pada prediksi kemampuan kerja yang lebih baik dibandingkan dengan audit resume statis tradisional, yang hanya berfokus pada kinerja dan keterampilan akademis.

Dalam satu studi penting, model hibrida dari Multi-Layer Perceptron Neural Network (MLPNN) dan Radial Basis Function Neural Network (RBFNN) digunakan untuk memprediksi hasil kerja mahasiswa pascasarjana di perguruan tinggi teknik. Model tersebut mencapai tingkat akurasi yang mengesankan sebesar 88,38%, yang menunjukkan potensi pembelajaran mesin untuk meningkatkan prediksi kemampuan kerja. Lebih jauh lagi, model hibrida ini dapat diadaptasi dan diperluas ke aliran akademis lainnya, menjadikannya solusi serbaguna untuk berbagai domain pendidikan. Meskipun penerapan pembelajaran mesin untuk prediksi kemampuan kerja mahasiswa masih dalam tahap awal, ia telah menunjukkan potensi yang sangat besar untuk merevolusi operasi pusat karier. Dengan memanfaatkan algoritma pembelajaran mesin untuk menganalisis beragam data mahasiswa, penasihat karier dapat memberikan saran yang lebih akurat dan personal kepada masing-masing mahasiswa. Panduan yang disesuaikan ini dapat secara signifikan meningkatkan peluang mahasiswa untuk mencapai tujuan karier mereka dan menemukan peluang kerja yang sesuai. Selain itu, seiring dengan terus berkembangnya pembelajaran mesin, ia berpotensi mengubah lanskap layanan karier di lembaga pendidikan. Dengan terus belajar dari kumpulan data yang luas dan mengidentifikasi pola serta tren yang muncul, algoritme pembelajaran mesin dapat terus mengikuti perkembangan pasar kerja yang terus berubah. Kelincahan ini memastikan bahwa siswa menerima saran yang paling relevan dan tepat waktu tentang tren industri, lowongan kerja, dan persyaratan keterampilan. Meskipun ada banyak kemungkinan yang menarik, penting untuk mengakui bahwa bidang penggunaan pembelajaran mesin untuk prediksi kemampuan kerja siswa masih terus berkembang. Saat peneliti mempelajari lebih jauh domain ini, mereka harus membahas pertimbangan etis yang terkait dengan privasi data dan keadilan dalam algoritme pengambilan keputusan. Implementasi model pembelajaran mesin yang transparan dan etis akan sangat penting dalam membangun kepercayaan antara siswa, penasihat karier, dan lembaga pendidikan. Sebagai kesimpulan, pembelajaran mesin memiliki potensi yang luar biasa untuk meningkatkan prediksi kemampuan kerja siswa, yang memungkinkan pusat karier untuk menawarkan panduan yang lebih efektif dan personal kepada siswa. Seiring dengan terus berkembangnya bidang ini, penggunaan pembelajaran mesin yang bertanggung jawab dalam layanan karier dapat membuka jalan bagi transisi yang lebih inklusif dan sukses dari pendidikan ke pekerjaan bagi siswa di berbagai aliran akademis. Dengan memanfaatkan kekuatan pembelajaran mesin, masa depan konsultasi karier tampak menjanjikan dan transformatif.

Sistem pembelajaran terbuka dan jarak jauh [ 6 ], seperti Sistem Universitas Terbuka Universitas Anadolu, melayani sejumlah besar pelajar, yang memerlukan dukungan pelajar yang komprehensif untuk pendidikan yang efektif dan berkelanjutan. Menurut Tait (2000), dukungan ini dapat dikategorikan ke dalam aspek kognitif, afektif, dan sistemik. Dukungan kognitif membantu pelajar dalam proses pembelajaran mereka, dukungan afektif menumbuhkan rasa hormat dan loyalitas diri, dan dukungan sistemik memastikan manajemen proses pembelajaran yang lancar. Memahami profil siswa sangat penting untuk memberikan dukungan ini secara efektif. Sistem Universitas Terbuka Universitas Anadolu adalah universitas mega terkemuka di seluruh dunia, melayani sekitar 1,5 juta siswa. Untuk mengoptimalkan efektivitas dan umur panjang sistem, penting untuk mengetahui pelajar secara komprehensif. Ini melibatkan data tentang pendidikan sebelumnya, jenis entri, skor, peringkat, serta rincian demografis seperti usia, jenis kelamin, kebangsaan, dan informasi kontak. Lebih jauh lagi, pelajar dapat secara sukarela memberikan umpan balik selama proses pembelajaran, yang memungkinkan peningkatan berkelanjutan. Penelitian oleh Hakan et al. berfokus pada pemahaman peserta didik Open Education Faculty (OEF) dan preferensi mereka terhadap lingkungan belajar dan komunikasi, yang menjadi contoh upaya untuk memahami peserta didik di OEF. Sebagai kesimpulan, pengumpulan dan pemanfaatan informasi tentang peserta didik merupakan hal mendasar dalam menyediakan dukungan yang disesuaikan dalam sistem pembelajaran terbuka dan jarak jauh berskala besar seperti Sistem Universitas Terbuka Universitas Anadolu. Memahami kebutuhan dan preferensi peserta didik meningkatkan efektivitas sistem, yang berkontribusi pada perjalanan pendidikan yang sukses bagi jutaan siswa.

Sistem pembelajaran terbuka dan jarak jauh [ 7 ] memerlukan dukungan pembelajar agar efektif. Dukungan ini dapat berupa kognitif, afektif, atau sistemik. Untuk memberikan dukungan yang efektif, penting untuk mengetahui profil pembelajar dengan baik. Studi ini menemukan bahwa jaringan saraf tiruan dapat digunakan untuk memprediksi keberhasilan siswa OEF. Variabel terpenting yang memprediksi keberhasilan siswa adalah jenis kelamin, kebangsaan, status pendidikan, dan kelulusan dari sekolah kejuruan. Hasil studi ini dapat digunakan untuk meningkatkan dukungan yang diberikan kepada siswa OEF dan untuk meningkatkan tingkat keberhasilan mereka. Misalnya, hasil penelitian menunjukkan bahwa OEF harus memberikan lebih banyak dukungan kepada siswa perempuan, siswa dari kebangsaan tertentu, dan siswa yang belum lulus dari sekolah kejuruan. Secara keseluruhan, penelitian ini memberikan wawasan berharga tentang faktor-faktor yang berkontribusi terhadap keberhasilan siswa OEF. Hasilnya dapat digunakan untuk meningkatkan dukungan yang diberikan kepada siswa dan untuk meningkatkan tingkat keberhasilan mereka.

Makalah [ 8 ] memperkenalkan “EXPERT,” sebuah alat e-rekrutmen canggih yang dirancang untuk menyaring kandidat pekerjaan secara efisien menggunakan pemetaan ontologi. Secara tradisional, alat e-rekrutmen telah digunakan terutama untuk menyimpan informasi kontak, tetapi EXPERT bertujuan untuk membawa proses lebih jauh. Alat ini beroperasi dalam tiga fase utama. Pada fase pertama, EXPERT mengumpulkan resume dari kandidat dan membuat dokumen ontologi yang mewakili fitur dan karakteristik utama setiap pelamar. Fase kedua melibatkan representasi lowongan pekerjaan dan persyaratan sebagai ontologi. Akhirnya, pada fase ketiga, EXPERT memetakan ontologi persyaratan pekerjaan ke dokumen ontologi kandidat, memungkinkannya untuk mengidentifikasi dan mengambil kandidat yang paling cocok dan berkualifikasi untuk pekerjaan tertentu. Dengan memanfaatkan pemetaan ontologi, EXPERT secara signifikan meningkatkan keakuratan pencocokan persyaratan pekerjaan kandidat. Pendekatan canggih ini membantu menyederhanakan proses penyaringan kandidat, menghemat waktu yang berharga bagi perusahaan dan meningkatkan kemungkinan menemukan kecocokan yang tepat untuk lowongan pekerjaan. Hasilnya, EXPERT menghadirkan solusi yang menjanjikan dan cerdas untuk meningkatkan proses e-rekrutmen dan meningkatkan efisiensi keseluruhan pemilihan kandidat di pasar kerja.

Karya ini menyajikan pendekatan baru [ 9 ] untuk mengevaluasi pelamar kerja dalam sistem rekrutmen daring dengan memanfaatkan algoritma pembelajaran mesin untuk mengatasi masalah peringkat kandidat. Para peneliti telah menerapkan pendekatan mereka dalam sistem prototipe, yang telah diuji dalam skenario rekrutmen dunia nyata. Sistem yang diusulkan memanfaatkan profil LinkedIn untuk mengekstrak serangkaian kriteria objektif dari informasi pelamar. Selain itu, sistem melakukan analisis linguistik pada posting blog kandidat untuk menyimpulkan karakteristik kepribadian mereka. Dengan menggabungkan sumber data ini, sistem bertujuan untuk membuat keputusan yang lebih terinformasi dan objektif tentang peringkat pelamar. Evaluasi sistem prototipe menunjukkan bahwa sistem ini secara konsisten berkinerja setara dengan perekrut manusia [ 10 ]. Temuan ini menyiratkan bahwa kemampuan peringkat kandidat otomatis dan penggalian kepribadian sistem dapat dipercaya. Hasilnya, sistem menunjukkan janji sebagai alat yang efisien untuk membantu proses rekrutmen, memberikan wawasan berharga tentang kualifikasi dan ciri kepribadian pelamar, sehingga membantu perusahaan membuat keputusan perekrutan yang lebih tepat. Dengan mengotomatisasi bagian-bagian dari proses rekrutmen, sistem ini berpotensi menghemat waktu dan sumber daya bagi pemberi kerja sekaligus memastikan evaluasi pelamar yang adil dan objektif [ 11 ].

Sistem Pelacakan Pelamar (ATS) banyak digunakan dalam proses perekrutan untuk mengelola dan menyederhanakan alur kerja perekrutan. Sistem ini dirancang untuk mengurai resume, menyimpan data kandidat, dan memfasilitasi komunikasi antara perekrut dan pelamar. Namun, sistem ATS tradisional memiliki beberapa keterbatasan. Sistem ini sering kali mengandalkan algoritma pencocokan kata kunci yang kaku, yang dapat menyebabkan pengecualian kandidat yang memenuhi syarat yang resumenya tidak sesuai dengan kriteria yang telah ditetapkan sebelumnya. Selain itu, sistem ATS biasanya tidak memiliki analitik tingkat lanjut dan rekomendasi yang dipersonalisasi untuk kandidat, sehingga membatasi kemampuan mereka untuk memberikan wawasan yang dapat ditindaklanjuti bagi perekrut dan pencari kerja.

Sebaliknya, AI Resume Analyzer yang diusulkan menawarkan beberapa keunggulan dibandingkan sistem ATS tradisional. Pertama, ia memanfaatkan teknik Natural Language Processing (NLP) dan Machine Learning (ML) yang canggih untuk mengekstrak dan menganalisis data resume secara lebih akurat dan kontekstual. Hal ini memungkinkan sistem untuk mengidentifikasi keterampilan, pengalaman, dan kualifikasi yang relevan bahkan ketika mereka diutarakan secara berbeda atau disajikan dalam format yang tidak konvensional. Kedua, AI Resume Analyzer memberikan rekomendasi yang dipersonalisasi kepada para pencari kerja, membantu mereka mengoptimalkan resume mereka berdasarkan tren industri dan persyaratan pekerjaan. Fitur ini sangat bermanfaat bagi kandidat yang mungkin tidak mengetahui kata kunci tertentu atau preferensi format yang disukai oleh sistem ATS. Terakhir, AI Resume Analyzer menawarkan kepada perekrut analisis dan wawasan terperinci tentang pasar kerja, seperti keterampilan yang sedang tren, peran yang dibutuhkan, dan demografi kandidat. Wawasan ini memungkinkan perekrut untuk membuat keputusan berdasarkan data dan menyempurnakan strategi perekrutan mereka, yang pada akhirnya meningkatkan efisiensi dan efektivitas proses perekrutan.

Dengan mengatasi keterbatasan sistem ATS tradisional dan menggabungkan fitur canggih yang digerakkan oleh AI, AI Resume Analyzer yang diusulkan merupakan langkah maju yang signifikan dalam penyaringan resume dan evaluasi kandidat. Alat ini tidak hanya meningkatkan keakuratan dan keadilan proses rekrutmen, tetapi juga memberdayakan pencari kerja dan perekrut dengan perangkat dan wawasan yang berharga untuk mencapai tujuan masing-masing.

3 Metodologi
Arsitektur sistem mengadopsi kerangka kerja tiga tingkat, yang membentuk lapisan presentasi, lapisan aplikasi, dan lapisan data. Lapisan presentasi berfungsi sebagai antarmuka tempat pengguna berinteraksi dengan sistem. Lapisan ini mencakup berbagai komponen antarmuka pengguna (UI), yang mencakup halaman web atau layar aplikasi. Di sini, pengguna dapat memasukkan informasi pribadi mereka, mengunggah resume mereka, dan memberikan umpan balik. Pengembangan UI bergantung pada kombinasi HTML, CSS, dan JavaScript, dengan potensi pemanfaatan kerangka kerja web seperti Flask atau Django untuk rendering sisi server. Peran utama lapisan ini melibatkan interaksi dengan pengguna, mengelola input mereka, dan menyampaikan informasi yang diperlukan ke lapisan aplikasi untuk pemrosesan lebih lanjut Gambar 1 menunjukkan grafik aliran [ 12 ].

Pada lapisan aplikasi, logika bisnis dan pemrosesan sistem menjadi pusat perhatian. Segmen ini mencakup komponen aplikasi sisi server yang bertanggung jawab atas tugas-tugas seperti analisis resume, perhitungan statistik, dan pengelolaan permintaan pengguna. Pustaka pembelajaran mesin seperti scikit-learn dapat dimanfaatkan untuk proses rumit analisis resume dan ekstraksi detail yang relevan. Kolaborasi antara lapisan presentasi dan lapisan aplikasi memastikan penerjemahan tindakan yang diprakarsai pengguna menjadi analisis resume konkret, dengan presentasi hasil analisis berikutnya. Lebih jauh, lapisan ini dapat memperluas fungsinya dengan mengintegrasikan dengan layanan eksternal atau API, sehingga menambah kemampuan sistem dan meningkatkan pengalaman pengguna [ 13 ].

Lapisan data merupakan fondasi arsitektur, yang bertanggung jawab atas penyimpanan dan pengambilan data yang penting untuk operasi sistem. Untuk tujuan ini, sistem basis data yang kompeten, seperti MySQL, digunakan. Basis data ini menampung serangkaian informasi penting, mulai dari profil pengguna dan catatan resume hingga umpan balik dan metrik statistik. Operasi lapisan data selaras erat dengan tuntutan lapisan aplikasi, yang mencakup aspek penting seperti penyisipan, pengambilan, dan pembaruan data. Desain basis data yang efektif memainkan peran penting, memastikan optimalisasi penyimpanan data dan organisasi yang efisien [ 14 ].

3.1 Jaringan Syaraf Persepsi Multi-Lapisan (MLPNN)
Dalam konteks Back Propagation [ 5 ], proses pembaruan bobot melibatkan penyesuaian bobot tersebut secara proporsional dengan turunan fungsi aktivasi nonlinier. Dalam Multi-Layer Perceptron Neural Network (MLPNN), fungsi aktivasi yang digunakan untuk neuron sering kali bertipe sigmoid, yang dicirikan oleh turunan berbentuk lonceng. Tujuannya adalah memilih bobot secara strategis dengan cara yang meminimalkan kriteria kinerja [ 15 ].

Dalam konteks Multi-Layer Perceptron Neural Network (MLPNN) dengan fungsi aktivasi sigmoid, dilambangkan sebagai “g,” dan mempertimbangkan “s” sebagai jumlah lapisan jaringan, algoritma pembelajaran dapat diuraikan sebagai berikut [ 15 ]:

1. Mulailah dengan menyesuaikan bobot dalam jaringan menggunakan proses inisialisasi standar.
2. Memanfaatkan set data pelatihan untuk menghasilkan respons jaringan terhadap setiap pola pelatihan [ 16 ].
3. Bandingkan keluaran jaringan yang dipilih dengan keluaran jaringan yang telah ditentukan sebelumnya, lalu hitung kesalahan lokal.
   
4. Bobot jaringan dapat dimodifikasi sebagai berikut:
   
5. Jika jaringan telah mencapai konvergensi, hentikan proses iterasi; jika tidak, kembali ke langkah 2 dan lanjutkan.

Tahap awal penelitian berkaitan dengan praproses data sekunder untuk menjamin kualitas dan kesesuaian untuk analisis lebih lanjut. Langkah-langkah yang diperhitungkan untuk praproses meliputi normalisasi dan imputasi nilai yang hilang, karena prosedur ini memfasilitasi pembuatan kumpulan data yang koheren [ 17 ]. Landasan dalam persiapan data adalah standarisasi data yang menjamin bahwa semua fitur memiliki dampak yang seimbang selama PCA. Standarisasi dinyatakan secara matematis seperti yang ditunjukkan dalam Persamaan ( 5 ):

dimana X : Matriks data asli (sampel × fitur). μ : Vektor rata-rata fitur. σ : Vektor deviasi standar fitur. V : Matriks vektor eigen (dari PCA). Y : Data yang ditransformasikan dalam ruang komponen utama [ 18 ].

Untuk memulai, hubungan antar fitur dikuantifikasi menggunakan matriks kovariansi, yang dihitung dengan Persamaan ( 6 ):

di mana ∑: Matriks kovariansi (dihitung dari data). v : Vektor eigen (menentukan arah komponen utama). λ : Nilai eigen (menunjukkan varians yang ditangkap oleh komponen utama).

Dengan mengatur nilai eigen dalam urutan menurun dan memilih komponen teratas, data ditransformasikan ke dalam ruang berdimensi lebih rendah menggunakan Persamaan ( 8 ):

di mana X : Dataset asli (ukuran n  × p n × p , di mana n n adalah jumlah sampel dan p p adalah jumlah fitur). V : Matriks vektor eigen (ukuran p × k p × k , di mana k k adalah jumlah komponen utama). X ′ : Dataset hasil transformasi (ukuran n × k n × k , di mana k k adalah jumlah komponen utama).
Untuk menilai signifikansi setiap komponen utama, proporsi varians yang dijelaskan (PVE) dihitung menggunakan Persamaan ( 9 ):

1. Transformasi PCA:
   1. Kumpulan data asli X diubah menjadi ruang fitur tereduksi X ′ = XV _k , di mana V _{k berisi} k vektor eigen teratas . Hal ini mengurangi dimensionalitas sambil mempertahankan 98,7% varians.

    

2. Perwakilan negara:
   2. Setiap baris X ′ mewakili keadaan s dalam lingkungan pembelajaran penguatan [ 20 ].

    

3. Tujuan gradien kebijakan:
   3. Kebijakan π(a∣s;θ) dioptimalkan untuk memaksimalkan imbalan yang diharapkan J(θ). Gradien tujuan ∇θJ(θ) dihitung menggunakan teorema gradien kebijakan.

    

4. Koneksi ke PCA:
   4. Keadaan dalam kebijakan π(a∣s;θ) diturunkan dari ruang fitur tereduksi X ′, yang merupakan hasil dari PCA.

Tujuan optimasi adalah untuk memaksimalkan imbalan kumulatif yang diharapkan, dinyatakan dalam bentuk Persamaan ( 10 ) sebagai:

di mana τ : lintasan (urutan keadaan dan tindakan), τ  = (s0, a0, s1, a1, …, sT, aT). Rt : Imbalan yang diperoleh pada langkah waktu t . T : Jumlah total langkah waktu dalam lintasan. πθ : Kebijakan yang diparameterisasi oleh θ .

Gradien dihitung seperti yang disajikan dalam Persamaan ( 11 ):

di mana: Gt = ∑t’ = tTRt’: Imbalan kumulatif masa depan dari langkah waktu t hingga akhir lintasan T. ∇ θ log π ( pada ∣ st ; θ ): Gradien log-probabilitas mengambil tindakan pada at dalam keadaan st . E τ ∼ πθ : Harapan atas lintasan τ τ yang dihasilkan oleh kebijakan πθ πθ .

3.2 Fungsionalitas Sistem
3.2.1 Unggah File untuk Ekstraksi
Diagram Alir Data (DFD) yang diperbarui pada Gambar 2 menggambarkan proses yang efisien untuk menangkap informasi pengguna dan data resume. Antarmuka pengguna memfasilitasi pengumpulan detail penting seperti nama, email, nomor ponsel, dan file PDF resume. Informasi ini kemudian disalurkan ke API Input Pengguna, yang mengelola proses pengiriman. API kemudian mengirimkan input pengguna dan file resume ke komponen Resume Parser [ 21 ].

Dalam Resume Parser, teknik mutakhir seperti pembelajaran mesin dan penguraian digunakan untuk mengekstrak detail penting dari resume. Detail ini mencakup elemen penting seperti keterampilan, pengalaman kerja, dan latar belakang pendidikan. Setelah ekstraksi ini, data yang relevan dapat diakses untuk tindakan lebih lanjut atau penyimpanan dalam komponen Data yang Diekstrak. DFD yang disempurnakan ini secara elegan menguraikan perkembangan informasi yang mulus dari masukan pengguna awal hingga proses rumit penguraian resume, yang berpuncak pada perolehan data ekstraksi yang berharga [ 21 ].

3.2.2 Ekstraksi File ke Rekomendasi
Pada Diagram Alir Data Gambar 3 , aliran informasi melibatkan data yang diekstraksi yang beralih ke komponen Sorting & Analyzing. Elemen penting ini bertanggung jawab untuk mengkategorikan, menyortir, dan melakukan analisis data yang komprehensif untuk mengungkap wawasan dan mendeteksi pola yang bermakna. Selanjutnya, data yang terorganisir dan dianalisis menjadi sumber daya penting untuk komponen Recommender, yang memanfaatkan informasi ini bersama profil pengguna dan detail yang diekstraksi untuk membuat rekomendasi yang dipersonalisasi.

Selain itu, komponen Sorting & Analyzing memfasilitasi aliran timbal balik outputnya ke komponen User Data, sehingga memungkinkan pembaruan real-time pada profil pengguna. DFD yang efisien ini merangkum perjalanan data berurutan, mulai dari ekstraksi dan kemajuan melalui fase-fase sorting, analisis mendalam, pembuatan rekomendasi yang dipersonalisasi, dan akhirnya berpuncak pada peningkatan dinamis catatan data pengguna.

3.2.3 Umpan Balik
Dalam Diagram Alir Data yang digambarkan pada Gambar 4 , proses ini melibatkan pengguna yang memberikan nama, email, peringkat umpan balik, dan komentar mereka. Data yang dihasilkan pengguna ini kemudian dirutekan ke komponen Analisis Data, yang melakukan berbagai operasi analitis pada kumpulan data umpan balik. Operasi ini mencakup kalkulasi rumit, agregasi, atau prosedur analitis terkait lainnya yang bertujuan untuk mengekstrak wawasan yang berarti dari umpan balik.

Hasil dari analisis komprehensif ini kemudian disampaikan ke komponen Hasil Analisis. Di sini, representasi visual dari peringkat umpan balik disajikan, menggunakan alat seperti bagan, grafik, atau ringkasan ringkas. Alat bantu visual ini secara efektif menerangi tren, pola, dan detail statistik yang terkait dengan umpan balik. Melalui penggambaran visual ini, para pemangku kepentingan diberdayakan untuk mengumpulkan wawasan berharga tentang sentimen pengguna, sehingga memfasilitasi keputusan yang tepat berdasarkan informasi umpan balik. Diagram Alir Data yang disederhanakan ini menangkap lintasan informasi yang mendasar, dimulai dengan masukan pengguna dan berlanjut melalui tahapan analisis yang cermat. Tampilan hasil analisis berikutnya berfungsi sebagai gerbang instrumental bagi para pemangku kepentingan untuk mempelajari perspektif pengguna, memungkinkan pemahaman yang lebih dalam tentang umpan balik yang diterima dan memfasilitasi pengambilan keputusan yang cerdik berdasarkan data yang berwawasan ini [ 22 ].

3.2.4 Administrasi
Dalam Diagram Alir Data yang digambarkan pada Gambar 5 , proses administrasi melibatkan admin yang memasukkan ID pengguna dan kata sandi mereka, yang berfungsi sebagai kredensial autentikasi. Kredensial ini kemudian diteruskan ke komponen Autentikasi, di mana proses validasi dilakukan untuk memastikan keabsahannya. Setelah verifikasi berhasil, admin memperoleh akses masuk yang sah ke sistem login, yang difasilitasi oleh komponen Login [ 23 ].

DFD ini secara ringkas menguraikan tahapan-tahapan penting yang melekat pada prosedur login admin, yang mencakup urutan penting dari pengajuan kredensial awal hingga proses verifikasi, yang berpuncak pada pemberian akses ke antarmuka admin. Penting untuk diketahui bahwa implementasi spesifik mungkin memerlukan protokol dan fungsi keamanan tambahan untuk meningkatkan keamanan dan keandalan keseluruhan pengalaman login admin [ 24 ].

Pada Gambar 6 , sistem terlibat dengan data resume melalui proses dinamis yang melibatkan ekstraksi, analisis, dan pembuatan rekomendasi yang dipersonalisasi. Resume diperoleh dari unggahan pengguna atau diambil dari basis data. Informasi terkait, termasuk keterampilan dan pengalaman, diekstraksi dengan cermat dari resume ini. Sistem kemudian menggunakan algoritme canggih dan teknik analitis untuk menganalisis data yang diekstraksi secara menyeluruh. Kecakapan analitis ini memungkinkannya untuk memperoleh wawasan dan pola yang bermakna, memberdayakannya untuk membuat penilaian yang tepat dari profil profesional setiap pengguna. Berdasarkan analisis komprehensif ini, sistem menyusun rekomendasi individual yang disesuaikan dengan atribut unik setiap pengguna. Rekomendasi ini mencakup berbagai kemungkinan, yang mencakup peluang kerja yang selaras dengan keahlian mereka atau program pengembangan keterampilan khusus untuk mendukung kecakapan profesional mereka.

Puncak dari proses rumit ini adalah rekomendasi yang disajikan dengan mudah kepada pengguna melalui antarmuka pengguna yang intuitif atau melalui pemberitahuan email. Pada akhirnya, kasus penggunaan ini berfungsi sebagai sarana ampuh bagi sistem untuk memanfaatkan kekuatan data resume, memberikan wawasan yang tak ternilai dan saran yang dapat ditindaklanjuti kepada pengguna yang berpotensi membentuk dan meningkatkan lintasan karier mereka.

Pada Gambar 7 , sistem memfasilitasi akses admin yang lancar melalui kredensial login yang aman. Setelah autentikasi berhasil, admin memperoleh visibilitas komprehensif ke dalam data pengguna, yang mencakup detail penting seperti nama, email, dan peringkat umpan balik. Sistem memberdayakan admin dengan alat serbaguna untuk menavigasi data ini secara efisien, termasuk fungsi pemfilteran, pencarian, dan penyortiran. Lebih jauh lagi, sistem memperluas kemampuan admin dengan memungkinkan pembuatan laporan yang mendalam. Dengan memanfaatkan laporan ini, admin dapat menentukan parameter seperti rentang tanggal atau kategori data tertentu, menyesuaikan analisis dengan kebutuhan mereka. Sistem kemudian dengan tekun menyusun dan menyajikan laporan ini, memberikan admin ikhtisar yang jelas dan komprehensif tentang interaksi pengguna.

Kasus penggunaan ini secara strategis membekali admin dengan sarana untuk mengelola dan menilai data pengguna secara ahli, menyediakan dasar untuk pengambilan keputusan yang tepat. Dengan menggabungkan eksplorasi data, penyaringan, dan pembuatan laporan secara mulus, sistem ini mendorong lingkungan yang dinamis untuk wawasan dan penyempurnaan yang digerakkan oleh admin.

Pada Gambar 8 , pengguna berinteraksi dengan sistem melalui tindakan yang efisien dari pengunggahan resume dan penyediaan umpan balik. Dalam antarmuka pengguna, individu mengunggah file resume mereka, memulai proses di mana informasi yang relevan diekstraksi dan dikaitkan dengan profil mereka. Data yang diekstraksi ini disimpan secara efisien dalam sistem untuk referensi di masa mendatang. Lebih jauh lagi, pengguna diberdayakan untuk memberikan umpan balik, meningkatkan keterlibatan pengguna. Melalui peringkat, komentar, dan saran, pengguna memberikan wawasan yang berharga. Umpan balik ini dikatalogkan dengan cermat dan ditautkan ke profil mereka, memungkinkan pemahaman yang komprehensif tentang sentimen pengguna. Kasus penggunaan ini mendorong pengiriman resume, ekstraksi data, dan saluran umpan balik yang mulus, sehingga menghasilkan interaksi pengguna yang lebih baik. Dengan memungkinkan pengunggahan resume yang mudah dan memfasilitasi umpan balik yang berarti, sistem meningkatkan keterlibatan pengguna dan secara berulang meningkatkan kinerjanya.

Dalam rangkaian interaksi yang digambarkan pada Gambar 9 , keterlibatan pengguna dimulai dengan langkah penting mengunggah berkas resume mereka ke sistem. Sistem memproses dokumen yang diunggah dengan lancar, memulai perjalanan untuk mengekstrak detail terkait yang mencakup keterampilan, pengalaman, dan banyak lagi.

Bahasa Indonesia: Setelah ekstraksi data, pengguna diberikan kesempatan untuk memberikan umpan balik mereka, yang difasilitasi melalui mekanisme penilaian yang dilengkapi dengan komentar opsional. Umpan balik yang berharga ini ditangkap dengan cermat dan ditautkan secara rumit ke profil pengguna, memberikan pandangan holistik tentang sentimen pengguna. Di sisi administratif, administrator mengakses sistem melalui autentikasi, memastikan keamanan dan akuntabilitas. Selanjutnya, admin menavigasi ke bagian pembuatan laporan, di mana mereka menggunakan kekuatan untuk menyempurnakan parameter dan spesifikasi untuk menghasilkan laporan yang disesuaikan. Sementara itu, sistem tidak beristirahat; ia menggunakan kecakapan analitisnya untuk menganalisis data resume yang diekstraksi. Berbekal wawasan ini, sistem dengan cekatan menghasilkan rekomendasi yang dipersonalisasi yang selaras dengan atribut unik pengguna. Rekomendasi yang disesuaikan ini disajikan dengan cermat kepada pengguna, baik melalui antarmuka pengguna atau disampaikan langsung melalui email [ 25 ].

Secara kolektif, rangkaian interaksi yang rumit ini membentuk siklus dinamis, tempat unggahan resume yang diprakarsai pengguna, ekstraksi data, pengumpulan umpan balik, autentikasi admin, pembuatan laporan, dan penyampaian rekomendasi yang dipersonalisasi bertemu. Proses komprehensif ini merangkum esensi proyek, dengan menyelaraskan keterlibatan pengguna, pemanfaatan data, dan fungsionalitas sistem secara ahli untuk memberikan pengalaman yang lancar dan memperkaya bagi pengguna dan administrator.

4 Hasil dan Pembahasan
Kode sisi klien yang disediakan menawarkan pengalaman yang rumit dan berpusat pada pengguna, merevolusi cara individu mendekati lamaran kerja dan wawancara. Dengan mengintegrasikan beberapa fungsi secara mulus, sistem ini memberdayakan pengguna dengan wawasan dan rekomendasi yang tak ternilai untuk meningkatkan efektivitas resume mereka. Setelah memilih opsi “Pengguna”, pengguna diminta untuk memasukkan detail pribadi yang penting, termasuk nama, email, dan nomor ponsel. Sistem kemudian menghasilkan token yang aman, memanfaatkan langkah-langkah keamanan tingkat lanjut. Sistem ini melangkah lebih jauh dengan mengumpulkan informasi khusus sistem seperti nama host, alamat IP, pengguna perangkat, dan versi OS, memastikan pemahaman yang komprehensif tentang konteks pengguna. Sorotan kode ini adalah kemampuannya untuk menganalisis dan mengekstrak informasi dari resume PDF yang diunggah. Memanfaatkan teknik penguraian mutakhir, sistem ini secara akurat mengambil data penting, termasuk nama kandidat, informasi kontak, latar belakang pendidikan, dan banyak lagi. Sistem ini dengan cerdik memprediksi tingkat pengalaman kandidat berdasarkan konten resume, yang memungkinkan pengguna untuk mengukur posisi mereka di pasar kerja yang kompetitif.

Selain itu, kode tersebut menawarkan rekomendasi yang ditargetkan untuk keterampilan dan kursus berdasarkan tingkat pengalaman yang diprediksi. Fitur ini sangat berharga, karena menyediakan langkah-langkah spesifik yang dapat ditindaklanjuti bagi pengguna untuk meningkatkan profil profesional mereka dan menyelaraskannya dengan bidang yang diinginkan. Aspek penting dari kode tersebut adalah pendekatan holistiknya untuk mengevaluasi kelengkapan resume. Dengan menetapkan skor resume, sistem mengukur kualitas dokumen, memotivasi pengguna untuk memastikan bahwa mereka menyertakan bagian-bagian penting seperti tujuan, pendidikan, pengalaman, keterampilan, pencapaian, sertifikasi, dan proyek. Meskipun kode tersebut menampilkan serangkaian fitur yang mengesankan, kode tersebut masih memiliki ruang untuk perbaikan. Misalnya, kode tersebut dapat memperoleh manfaat dari mekanisme penanganan kesalahan yang lebih tangguh untuk mengelola masalah yang tidak terduga dengan baik selama ekstraksi atau penguraian data. Sebagai kesimpulan, kode sisi klien adalah alat komprehensif yang mengubah proses pembuatan resume tradisional. Analisisnya yang canggih, rekomendasi yang dipersonalisasi, dan video yang meningkatkan keterlibatan membekali pengguna dengan pengetahuan dan sumber daya yang dibutuhkan untuk membuat resume yang menarik dan berhasil dalam wawancara kerja, yang pada akhirnya mendorong mereka menuju tujuan karier yang diinginkan.

Pada Gambar 10 alur kerja aplikasi, pengguna berinteraksi dengan sistem dengan memilih fitur “Unggah Resume”. Tindakan ini memicu interaksi penting di mana pengguna dapat dengan mudah memilih dokumen resume dari perangkat lokal mereka. Dialog berikutnya meminta pengguna untuk memilih berkas yang diinginkan, yang memulai proses yang efisien.

Setelah memilih berkas, aplikasi akan melakukan beberapa langkah penting. Pertama, aplikasi akan memproses konten yang diunggah dengan cermat, memastikan integritas dan kesesuaian data. Ini termasuk pemeriksaan validasi yang ketat untuk mengonfirmasi format berkas, memverifikasi bahwa berkas mematuhi persyaratan yang ditetapkan, seperti dalam format PDF. Setelah berkas berhasil melewati tahap validasi, aplikasi akan mengelola aspek penyimpanan dengan aman. Dengan menggunakan protokol manajemen data yang kuat, sistem akan mentransfer resume ke repositori penyimpanan yang ditunjuk atau menyimpannya dengan aman di server. Pendekatan strategis ini memastikan kerahasiaan dan aksesibilitas dokumen sekaligus mengurangi potensi risiko keamanan.

Saat unggahan resume selesai, pengguna menerima pesan konfirmasi positif. Pesan ini bertindak sebagai indikator nyata dari unggahan resume yang sukses, memperkuat kepercayaan pengguna dan memfasilitasi pengalaman pengguna yang positif. Secara keseluruhan, fungsi “Unggah Resume” berperan sebagai titik pertemuan penting dalam aplikasi, yang secara ahli memfasilitasi integrasi konten buatan pengguna yang lancar, aman, dan mudah digunakan ke dalam ekosistem platform.

Setelah pengguna mengunggah resume mereka, sistem memicu proses analisis penting, seperti yang digambarkan pada Gambar 11 , yang dirancang untuk mengekstrak informasi penting dari resume secara cermat. Proses rumit ini melibatkan penguraian berkas resume yang diunggah dan pengambilan detail terkait yang mencakup keterampilan, pengalaman, pendidikan, dan data kontekstual lainnya. Dengan menggunakan algoritme dan teknik canggih, sistem memastikan ekstraksi yang akurat dan penataan detail yang cermat, yang menyiapkan panggung untuk analisis yang komprehensif.

Informasi yang diekstrak berfungsi sebagai kunci dalam menghasilkan rekomendasi yang berharga, menyelaraskan persyaratan pekerjaan, dan memberikan wawasan penting bagi pengguna dan administrator sistem. Wawasan ini menjadi penting dalam membuat keputusan yang tepat, baik itu mengoptimalkan kecocokan pekerjaan atau meningkatkan fungsionalitas sistem. Pada akhirnya, proses yang digerakkan oleh analisis ini membentuk landasan proyek, memfasilitasi interaksi yang bermakna, wawasan yang digerakkan oleh data, dan meningkatkan pengalaman pengguna secara keseluruhan.

Pada Gambar 12 , dengan memanfaatkan resume yang diunggah pengguna sebagai titik referensi, sistem melakukan analisis konten yang cermat, dengan mengidentifikasi dan menentukan keterampilan yang tertanam di dalamnya. Dengan mengambil wawasan dari analisis ini, sistem secara dinamis menghasilkan spektrum rekomendasi keterampilan yang secara mulus menyelaraskan dan melengkapi kecakapan yang dimiliki pengguna.

Rekomendasi ini mencakup beragam keterampilan, yang mencakup kecakapan teknis, keterampilan nonteknis, dan keterampilan khusus industri yang masih sangat dibutuhkan atau selaras dengan lintasan karier yang diharapkan pengguna. Keluaran strategis ini memberdayakan pengguna dengan membimbing mereka ke area pengembangan keterampilan potensial, sehingga meningkatkan kemampuan kerja mereka. Rekomendasi keterampilan sistem bertindak sebagai kompas, mengarahkan pengguna ke tren pasar dan persyaratan pekerjaan yang relevan, yang pada akhirnya memperkuat kesiapan mereka untuk menjelajahi lanskap profesional yang dinamis. Melalui proses simbiosis ini, sistem memperkaya keterampilan pengguna, meningkatkan kemampuan kerja, dan menumbuhkan keselarasan dengan tuntutan industri yang berlaku.

Dalam ranah administratif yang diilustrasikan dalam Gambar 13 , proses dinamis berlangsung di mana data pengguna diambil dengan lancar dari basis data, yang menghasilkan banyak wawasan dan informasi yang memenuhi kebutuhan administratif. Sistem ini dengan cekatan menjalankan kueri basis data, mengekstrak berbagai macam informasi khusus pengguna, yang meliputi nama, detail kontak, penilaian umpan balik, keterampilan, pengalaman, dan atribut terkait lainnya.

Kekayaan informasi ini disajikan dengan elegan kepada admin, terstruktur dengan cermat dan terorganisasi dengan sangat teliti. Penyajian seperti itu membekali administrator untuk menavigasi profil pengguna, mendalami eksplorasi analitis, menghasilkan laporan komprehensif, dan dengan demikian, menggunakan kemampuan pengambilan keputusan yang tepat. Dengan memanfaatkan dan memanfaatkan cadangan data pengguna yang kuat yang tersimpan dalam basis data, administrator menjadi pengurus manajemen dan pemantauan sistem yang efektif. Pemahaman strategis ini memberdayakan admin untuk mengawasi kinerja sistem, mengukur keterlibatan pengguna, dan secara strategis mendorong lintasan menyeluruh sistem, dengan demikian mengatur lingkungan kemajuan holistik dan peningkatan berkelanjutan.

Pada Gambar 14 , diagram lingkaran digunakan untuk menyajikan informasi statistik dengan cara yang menarik secara visual dan informatif. Diagram ini menyediakan representasi grafis dari distribusi data, yang memungkinkan pengguna untuk dengan mudah memahami dan menginterpretasikan statistik utama. Diagram lingkaran digunakan untuk menggambarkan berbagai kategori seperti data umpan balik, keterampilan dalam resume, tingkat pengalaman, atau distribusi geografis pengguna. Ukuran setiap irisan lingkaran sesuai dengan proporsi atau persentase data dalam setiap kategori. Representasi visual ini memungkinkan pengguna, termasuk admin, untuk dengan cepat memahami tren, pola, dan distribusi keseluruhan, membantu pengambilan keputusan, mengidentifikasi area fokus, dan mendapatkan wawasan tentang kinerja sistem dan demografi pengguna.

Meskipun Hloom dan ZipRecruiter menawarkan berbagai manfaat bagi para pencari kerja, ada juga beberapa kekurangan yang perlu dipertimbangkan. Salah satu keterbatasan utama Hloom adalah keterbatasan sumber daya dan alat gratisnya, dan pengguna mungkin perlu meningkatkan langganan ke premium untuk mengakses fitur yang lebih canggih. Selain itu, beberapa pengguna telah melaporkan bahwa pembuat resume dan templat surat lamaran Hloom agak generik dan kurang dalam opsi penyesuaian. ZipRecruiter juga memiliki beberapa kekurangan, termasuk fakta bahwa mesin pencari pekerjaannya bisa sangat membingungkan untuk dinavigasi, dengan terlalu banyak daftar pekerjaan yang harus disaring. Lebih jauh, beberapa pengguna telah melaporkan bahwa alat penganalisa resume ZipRecruiter bisa terlalu kritis, memberikan umpan balik yang tidak selalu akurat atau membantu. Terakhir, baik Hloom maupun ZipRecruiter telah dikritik karena kurangnya transparansi terkait praktik pengumpulan dan penggunaan data mereka, yang dapat menjadi perhatian bagi para pencari kerja yang menghargai privasi online mereka. Secara keseluruhan, meskipun Hloom dan ZipRecruiter dapat menjadi sumber daya yang berharga bagi para pencari kerja, penting untuk menyadari keterbatasan dan potensi kekurangannya. Selain itu, fokus Hloom dalam menyediakan templat resume dan surat lamaran generik dapat menyebabkan kurangnya personalisasi, sehingga menyulitkan para pencari kerja untuk menonjol di pasar kerja yang ramai. Lebih jauh lagi, beberapa pengguna melaporkan kesulitan dalam membatalkan langganan premium mereka, dengan beberapa mengalami tagihan tak terduga atau kesulitan dalam mendapatkan pengembalian uang.

ZipRecruiter juga memiliki beberapa keterbatasan dalam algoritme pencocokan pekerjaannya, yang terkadang memprioritaskan lowongan pekerjaan berdasarkan faktor-faktor seperti lokasi atau jabatan, bukan keterampilan atau kualifikasi aktual pencari kerja. Hal ini dapat menyebabkan pencari kerja menerima rekomendasi pekerjaan yang tidak relevan, yang dapat membuat frustrasi dan membuang-buang waktu yang berharga. Selain itu, Hloom dan ZipRecruiter telah dikritik karena kurangnya dukungan pelanggan, dengan beberapa pengguna melaporkan kesulitan dalam mendapatkan bantuan terkait masalah teknis atau masalah lainnya. Hal ini dapat menjadi masalah khususnya bagi pencari kerja yang mengandalkan platform ini untuk mencari pekerjaan. Dalam hal keamanan data, Hloom dan ZipRecruiter telah menghadapi kritik atas penanganan data pengguna. Beberapa pengguna telah melaporkan kekhawatiran tentang keamanan informasi pribadi dan profesional mereka, terutama mengingat pelanggaran data yang menjadi sorotan dalam beberapa tahun terakhir. Terakhir, Hloom dan ZipRecruiter telah dituduh menggunakan taktik pemasaran yang agresif, termasuk mengirim email yang tidak diminta atau melakukan panggilan telepon yang tidak diinginkan kepada pencari kerja. Hal ini dapat mengganggu dan mengganggu serta dapat menghalangi beberapa pencari kerja untuk menggunakan platform ini sama sekali. Tabel 1 di bawah ini memberikan keterbatasan Hloom dan ZiZi [ 25 ].

TABEL 1. Perbandingan Hloom dan ZipRecruiter.

Grafik pada Gambar 15 menyajikan perbandingan tiga alat analisis resume: Own Tool, Hloom Resume Analyzer, dan ZipRecruiter. Alat-alat tersebut dievaluasi berdasarkan tiga metrik kinerja: akurasi, waktu pemrosesan, dan presisi.

Hasilnya menunjukkan bahwa Own Tool mengungguli dua alat lainnya dalam hal akurasi, dengan skor 85%. Hloom Resume Analyzer dan ZipRecruiter mengikutinya dengan ketat, dengan skor akurasi masing-masing 80% dan 78%. Dalam hal waktu pemrosesan, ZipRecruiter membutuhkan waktu terlama untuk menganalisis resume, dengan waktu pemrosesan rata-rata 4,1 detik. Hloom Resume Analyzer dan Own Tool memiliki waktu pemrosesan yang relatif lebih cepat, dengan rata-rata masing-masing 3,2 dan 2,5 detik. Presisi adalah metrik penting lainnya yang dievaluasi dalam perbandingan ini. Own Tool mencapai skor presisi tertinggi sebesar 90%, diikuti oleh Hloom Resume Analyzer dan ZipRecruiter, dengan skor masing-masing 85% dan 83% [ 26 ].

Secara keseluruhan, hasil tersebut menunjukkan bahwa Own Tool adalah alat penganalisa resume yang paling efektif di antara ketiganya, dengan akurasi tinggi, waktu pemrosesan cepat, dan presisi tinggi. Hloom Resume Analyzer berada di posisi kedua, dengan skor akurasi dan presisi yang kompetitif, meskipun waktu pemrosesannya sedikit lebih lambat daripada Own Tool. ZipRecruiter, meskipun masih merupakan opsi yang layak, tertinggal di belakang dua alat lainnya dalam hal akurasi, waktu pemrosesan, dan presisi. Temuan ini memiliki implikasi signifikan bagi individu dan organisasi yang ingin memanfaatkan alat penganalisa resume. Dengan memilih alat yang paling efektif, pengguna dapat mengoptimalkan proses penyaringan resume mereka, menghemat waktu, dan meningkatkan kualitas pemilihan kandidat. Lebih jauh lagi, hasil perbandingan ini dapat menginformasikan pengembangan alat penganalisa resume di masa mendatang, yang menyoroti area untuk perbaikan dan inovasi [ 12 ].

5 Kesimpulan
Sistem yang diusulkan berfokus pada membantu pengguna dalam meningkatkan kemampuan kerja mereka dengan menyediakan analisis resume, rekomendasi keterampilan, dan fungsi umpan balik. Dengan menganalisis resume yang diunggah, sistem mengekstrak informasi yang relevan dan menghasilkan wawasan yang membantu pengguna memahami kekuatan dan area yang perlu ditingkatkan. Rekomendasi keterampilan memberikan panduan berharga untuk meningkatkan rangkaian keterampilan dan menyelaraskannya dengan persyaratan industri. Lebih jauh lagi, fitur umpan balik memungkinkan pengguna menerima masukan dan saran berharga untuk menyempurnakan profil mereka. Sistem ini juga melayani sisi administratif dengan menyediakan akses ke data pengguna, membuat laporan, dan menyajikan informasi statistik melalui diagram lingkaran yang menarik secara visual. Admin dapat memperoleh wawasan berharga tentang demografi pengguna, peringkat umpan balik, distribusi keterampilan, dan metrik penting lainnya. Hal ini memberdayakan admin untuk membuat keputusan berdasarkan data dan meningkatkan efektivitas sistem secara keseluruhan. Sepanjang proses pengembangan, pengujian sangat penting dalam memastikan fungsionalitas, kinerja, dan keamanan sistem. Pengujian unit, pengujian integrasi, pengujian antarmuka pengguna, dan metodologi pengujian lainnya telah digunakan untuk mengidentifikasi dan mengatasi masalah apa pun, sehingga menghasilkan sistem yang tangguh dan andal. Desain antarmuka manusia memprioritaskan keramahan pengguna, instruksi yang jelas, dan interaksi yang intuitif. Dengan menyediakan pengalaman yang lancar dan ramah pengguna, pengguna dapat dengan mudah mengunggah resume, memberikan umpan balik, dan menavigasi sistem dengan mudah. ​​Secara keseluruhan, proyek ini bertujuan untuk meningkatkan hasil kerja pengguna dengan memanfaatkan kekuatan analisis resume, rekomendasi keterampilan, dan umpan balik pengguna. Dengan memberdayakan pengguna dengan wawasan dan panduan yang berharga, dan menyediakan data dan analisis yang komprehensif kepada administrator, sistem ini berupaya untuk menjembatani kesenjangan antara pencari kerja dan perekrut, yang pada akhirnya meningkatkan peluang keberhasilan pekerjaan.

Untuk meningkatkan analisis resume dan sistem rekomendasi keterampilan, kami mengusulkan pendekatan multifaset. Pertama, kami bertujuan untuk meningkatkan akurasi dengan menerapkan algoritma pembelajaran mesin yang canggih. Dengan memanfaatkan teknik pemrosesan bahasa alami dan model pembelajaran mendalam, kami dapat mengekstrak wawasan bernuansa dari resume, memberikan pemahaman yang komprehensif tentang keterampilan dan pengalaman kandidat. Kedua, integrasi dengan portal pekerjaan populer akan menghubungkan pengguna dengan peluang kerja yang relevan. Keterkaitan langsung ini menyederhanakan aplikasi, menyelaraskan profil pengguna dengan persyaratan pekerjaan untuk menawarkan rekomendasi yang disesuaikan. Selain itu, analisis sentimen akan ditingkatkan melalui teknik lanjutan seperti klasifikasi sentimen, pemodelan topik, dan analisis tren sentimen, yang memungkinkan wawasan yang lebih dalam dari umpan balik pengguna. Ketiga, elemen gamifikasi akan diperkenalkan untuk memotivasi pengguna. Lencana, tantangan, dan hadiah virtual akan memberi insentif untuk pengembangan keterampilan dan penyelesaian kursus. Keempat, aplikasi seluler yang mudah digunakan akan memungkinkan pengunggahan resume saat bepergian, pengiriman umpan balik, dan pelacakan keterampilan, yang meningkatkan aksesibilitas dan keterlibatan. Terakhir, visualisasi data akan diperkaya dengan bagan dan grafik interaktif, yang menawarkan representasi intuitif dari data pengguna dan tren umpan balik. Dengan menggabungkan strategi canggih ini, sistem kami akan menjadi yang terdepan dalam inovasi, menyediakan solusi yang komprehensif, berpusat pada pengguna, dan berteknologi canggih untuk analisis resume, peningkatan keterampilan, dan kemajuan karier.