Implementasi model multilingual BERT (mBERT) dalam klasifikasi dan ranking kecocokan curriculum vitae pelamar kerja terhadap deskripsi pekerjaan

Alhan, Husen (2026) Implementasi model multilingual BERT (mBERT) dalam klasifikasi dan ranking kecocokan curriculum vitae pelamar kerja terhadap deskripsi pekerjaan. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text 1_cover.pdf Download (189kB) | Preview
Preview	Text 2_abstrak.pdf Download (196kB) | Preview
Preview	Text 3_skbebasplagiarism.pdf Download (524kB) | Preview
Preview	Text 4_daftarisi.pdf Download (216kB) | Preview
Preview	Text 5_bab1.pdf Download (343kB) | Preview
	Text 6_bab2.pdf Restricted to Registered users only Download (933kB) | Request a copy
	Text 7_bab3.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text 8_bab4.pdf Restricted to Registered users only Download (8MB) | Request a copy
	Text 9_bab5.pdf Restricted to Registered users only Download (201kB) | Request a copy
	Text 10_daftarpustaka.pdf Restricted to Registered users only Download (226kB) | Request a copy

Abstract

Proses penyaringan Curriculum Vitae (CV) dalam rekrutmen bidang Teknologi Informasi memerlukan penilaian hubungan semantik antara profil pelamar dan deskripsi pekerjaan. Perbedaan struktur, bahasa, dan istilah teknis membuat pencocokan manual memerlukan waktu serta sulit dilakukan secara konsisten. Penelitian ini mengimplementasikan Multilingual BERT (mBERT) dengan pendekatan cross-encoder untuk klasifikasi biner dan ranking kecocokan CV terhadap job description (JD). Tahapan penelitian mengikuti CRISP-DM yang mencakup pemahaman masalah, pemahaman data, persiapan data, pemodelan, evaluasi, dan pengujian inferensi melalui prototipe Streamlit. Dataset terdiri atas 500 CV dan 2.264 JD dalam 10 role family Teknologi Informasi. Setiap role memiliki 50 CV dengan komposisi 25 CV berbahasa Indonesia dan 25 CV berbahasa Inggris. Skill-aware pairing menghasilkan 12.500 pasangan, terdiri atas 10 pasangan positif dan 15 pasangan negatif untuk setiap CV. Data dibagi berdasarkan resume_id menjadi 8.750 pasangan latih, 1.875 pasangan validasi, dan 1.875 pasangan uji untuk mencegah data leakage. Model bert-base multilingualcased dilatih menggunakan partial fine-tuning dengan membekukan embedding layer dan encoder layer 0-3. Checkpoint terbaik diperoleh pada epoch ke-8 dengan validation macro-F1 0,8182. Pada test set dan threshold 0,50, model menghasilkan accuracy 0,8448, F1-score 0,8124, macro-F1 0,8400, dan ROC-AUC 0,9216. Evaluasi ranking menghasilkan MRR 0,9411, Average Precision 0,8795, Hit@1 0,9067, dan Hit@10 1,0000.

Actions (login required)

View Item