<![CDATA[Dinamika pasar tenaga kerja saat ini menuntut peningkatan kompetensi secara berkelanjutan melalui ekosistem lifelong learning (pembelajaran sepanjang hayat). Lembaga Sertifikasi Profesi (LSP) berperan penting dalam hal ini, namun sering kesulitan memberikan rekomendasi sertifikasi yang tepat bagi pendaftar baru. Kendala utamanya meliputi ketiadaan riwayat sertifikasi (cold-start), keterbatasan pencocokan kata kunci pada sistem tradisional (lexical mismatch), serta kurangnya transparansi alasan rekomendasi dari sistem kecerdasan buatan (black-box). Penelitian ini mengusulkan sistem rekomendasi hibrida yang menggabungkan Machine Learning dan Generative AI. Untuk mengatasi masalah cold-start, algoritma K-Means digunakan untuk mengelompokkan profil pendaftar ke dalam 6 persona karier yang optimal berdasarkan data awal mereka. Selanjutnya, pencocokan profil dengan skema sertifikasi dilakukan menggunakan model Sentence-BERT (SBERT) yang mampu memahami konteks makna bahasa, bukan sekadar kata persis. Hasil pengujian menunjukkan pendekatan hibrida ini sangat unggul dengan tingkat akurasi (Recall@3) mencapai 82,67%. Terakhir, untuk mengatasi masalah black-box, sistem ini mengimplementasikan teknologi Retrieval-Augmented Generation (RAG). Teknologi ini menerjemahkan skor komputasi menjadi penjelasan naratif yang mudah dipahami, memberi tahu pengguna mengenai kesenjangan keterampilan (skill gap) yang perlu mereka pelajari. Secara keseluruhan, prototipe sistem berbasis web ini berhasil memberikan rekomendasi yang presisi sekaligus bertindak sebagai penasihat karier transparan yang mendukung pengembangan kompetensi tenaga kerja.]]>
Copyrights © 2026
