Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Prosiding Seminar Nasional Teknologi Informasi dan Bisnis
Tigar Riski Septiono
Universitas Duta Bangsa Surakarta
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Mechanical Engineering Physics

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Analisis Metode Content Based Filtering Untuk Sistem Rekomendasi Kandidat Karyawan Pada Nextylabs Tigar Riski Septiono; Joni Maulindar; Afu Ichsan Pradana
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2026
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Perkembangan teknologi digital menuntut efisiensi tinggi pada sistem seleksi talenta di industri perangkat lunak. Namun, proses penyeleksian berkas administrasi pada software house Nextylabs saat ini masih dilakukan secara manual terhadap dokumen Curriculum Vitae (CV) pelamar yang bersifat tidak terstruktur. Kondisi tersebut menimbulkan risiko tingginya tingkat subjektivitas, potensi terjadinya human error, serta inefisiensi waktu pemrosesan seleksi awal kandidat. Penelitian ini bertujuan merancang dan mengimplementasikan pendekatan berbasis Large Language Model (LLM) Gemini AI dan metode Content-Based Filtering (CBF) untuk mengotomatisasi sistem rekomendasi seleksi awal kandidat karyawan di Nextylabs. Penelitian ini menggunakan pendekatan eksperimental dengan tahapan yang meliputi pengumpulan data sampel berupa 15 dokumen CV, ekstraksi fitur keterampilan (skills) menggunakan model Gemini AI, pembersihan teks (preprocessing), representasi pembobotan fitur menggunakan TF-IDF, serta kalkulasi nilai perankingan berbasis Cosine Similarity. Hasil penelitian menunjukkan bahwa integrasi metode yang diusulkan mampu menyederhanakan informasi kompetensi pelamar dari berkas tidak terstruktur menjadi daftar urutan rekomendasi yang objektif. Sistem ini berhasil menghasilkan nilai kemiripan tertinggi sebesar 94,21% pada kandidat utama dan mencapai tingkat akurasi klasifikasi relevansi (Precision) sebesar 100%.
Co-Authors Afu Ichsan Pradana Maulindar, Joni