<![CDATA[Peningkatan jumlah lowongan kerja pada platform digital menyebabkan pencari kerja sering mengalami kesulitan dalam menemukan pekerjaan yang sesuai dengan keterampilan dan pengalaman yang dimiliki. Permasalahan tersebut dapat menimbulkan terjadinya job mismatch akibat banyaknya informasi lowongan yang tersedia dan kompleksitas deskripsi pekerjaan. Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi lowongan kerja berbasis semantic matching menggunakan Sentence-BERT (SBERT) dan K-Nearest Neighbors (KNN) untuk menghasilkan rekomendasi pekerjaan yang lebih relevan dan kontekstual. Dataset yang digunakan berasal dari LinkedIn Job Postings Dataset 2023–2024 yang diperoleh dari Kaggle dengan sekitar 55.000 data lowongan pekerjaan. Tahapan penelitian meliputi preprocessing data, pembentukan embedding menggunakan SBERT, serta proses pencarian dan pemeringkatan lowongan kerja menggunakan KNN berdasarkan cosine similarity. Evaluasi sistem dilakukan menggunakan beberapa query pengguna dan ground truth relevansi yang dibentuk secara semi-manual. Hasil pengujian menunjukkan bahwa sistem mampu menghasilkan rekomendasi lowongan kerja yang relevan dengan nilai average similarity berkisar antara 72,4% hingga 77,1%. Hasil tersebut menunjukkan bahwa pendekatan semantic matching menggunakan SBERT dan KNN cukup efektif dalam memahami hubungan semantik antara kebutuhan pengguna dan deskripsi pekerjaan sehingga dapat membantu meningkatkan relevansi rekomendasi lowongan kerja.]]>
Copyrights © 2026
