<![CDATA[Proses perekrutan adalah serangkaian langkah yang dilalui perusahaan atau organisasi untuk merekrut, mengevaluasi, dan memilih karyawan baru. Pada era teknologi informasi yang mengalami kemajuan pesat, proses rekrutmen menjadi penuh tantangan. Perusahaan harus menanggani tahapan penyaringan calon pegawai yang berjumlah ribuan dengan cepat, objektif dan efisien. Selain itu, persaingan dalam dunia bisnis yang tinggi mengharuskan perusahaan untuk mendapatkan talenta unggul dengan cara yang lebih modern. Dalam perekrutan pegawai, pengklasifikasi pembelajaran mesin telah menjadi alat yang sangat berharga untuk perusahaan dalam mengidentifikasi individu yang memenuhi kualifikasi untuk diterima sebagai pegawai. Penggunaan pembelajaran mesin dalam rekrutmen memberikan keuntungan dalam hal efisiensi biaya dan waktu. Oleh karena itu, penting untuk memahami berbagai metode dan algoritma yang dapat dimanfaatkan dalam konteks rekrutmen pegawai. Penelitian ini bertujuan untuk mengeksplorasi penggunaan pembelajaran mesin dengan algoritma regresi logistik yang digabungan dengan ensemble learning seperti boosting dan bagging dalam proses pengambilan keputusan terhadap seleksi penerimaan pegawai. Hasil akhir penelitian diperoleh bahwa secara statistik yang mengacu pada uji Friendman, tidak ada perbedaan yang signifikan antara kinerja ketiga model klasifikasi. Tetapi, secara numerik, rata-rata metrik evaluasi model bagging regresi logistik lebih tinggi dibandingkan kedua model lainnya. Sehingga model bagging regresi logistik terpilih sebagai model yang dapat diaplikasikan dalam proses klasifikasi perekrutan pegawai. Hasil penelitian ini ditargetkan dapat memberikan wawasan bagi perusahaan, praktisi sumber daya manusia, dan pengembang teknologi agar dapat memaksimalkan penerapan pembelajaran mesin untuk membenahi kualitas proses rekrutmen serta menunjang keputusan seleksi yang lebih objektif dan tepat.]]>
