📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 2 dokumenPENGEMBANGAN MODEL DEEP LEARNING UNTUK TASK USER PROFILING SISTEM PENDUKUNG KEPUTUSAN SELEKSI PEKERJA BERDASARKAN DIGITAL FOOTPRINT PELAMAR KERJA
Tugas Akhir ini berfokus pada pengembangan aplikasi user profiling dengan menggunakan deep learning yang dapat memroses data dari Twitter dan Instagram pelamar kerja menjadi sebuah user profile. Modul pada user profiling mencakup subtask analisis sentimen, klasifikasi topik, dan topic modeling. Pengembangan aplikasi ini menggunakan metodologi waterfall. Rancangan arsitektur aplikasi terdiri dari komponen pemrosesan data, analisis sentimen, klasifikasi topik, dan topic modeling. Task analisis sentimen dan klasifikasi topik menggunakan model deep learning IndoBERT dan IndoDistilBERT yang dievaluasi dengan mengukur akurasi, f1-score, dan waktu inferensinya. Task topic modeling dilakukan dengan model BERTopic dan FASTopic yang dievaluasi dengan mengukur nilai coherence score. Model IndoBERT dan IndoDistilBERT mengimplementasikan checkpoint model dan penerapan pembobotan kelas. Hasil pelatihan menunjukkan IndoBERT lebih cenderung mengalami overfit lebih cepat dibanding IndoDistilBERT, namun tetap memiliki nilai akurasi lebih tinggi. Selain itu, semua variasi eksperimen BERTopic memiliki nilai coherence score lebih tinggi dibanding FASTopic pada jumlah dataset yang lebih sedikit. Hasil evaluasi menunjukkan IndoDistilBERT memiliki akurasi yang bisa ditoleransi yaitu 85.7% dengan waktu inferensi ~33% lebih cepat dibanding IndoBERT pada task analisis sentimen dan akurasi 84.4% dengan waktu inferensi ~34% lebih cepat dibanding IndoBERT. Sedangkan BERTopic memiliki nilai coherence score paling tinggi pada angka 51.4%. IndoDistilBERT menunjukkan kinerja paling efisien dan efektif dan model dasar BERTopic unggul dalam melakukan topic modeling khususnya pada domain user profiling yang data masukannya selalu berubah-ubah. Saran yang dapat diambil untuk penelitian selanjutnya adalah meningkatkan kualitas dataset, mengeksplorasi nilai learning rate dan epoch yang lebih tepat, dan meningkatkan spesifikasi lingkungan perangkat.
PENGEMBANGAN DASHBOARD WEBSITE SISTEM PENDUKUNG KEPUTUSAN REKRUTMEN PEKERJA BERDASARKAN DIGITAL FOOTPRINT MEDIA SOSIAL
Perkembangan teknologi informasi dan media sosial mengubah proses rekrutmen, terutama pada tahap screening awal yang menuntut efisiensi dan kualitas informasi kandidat yang lebih baik. Tugas akhir ini mengembangkan aplikasi dashboard web Sociafoot sebagai sistem pendukung keputusan rekrutmen yang memanfaatkan digital footprint kandidat dari LinkedIn, Twitter, dan Instagram untuk membantu HR menilai profesionalisme, etika bermedia sosial, dan kesesuaian nilai kandidat dengan kebutuhan serta budaya perusahaan. Analisis pada Bab III menunjukkan bahwa proses rekrutmen yang hanya mengandalkan CV dan wawancara menimbulkan beban kerja tinggi bagi HR, kualitas informasi yang terbatas, serta belum adanya integrasi data dari berbagai media sosial. Untuk menjawab masalah tersebut, dirancang arsitektur sistem berbasis web dengan pendekatan user-centered design yang mendefinisikan kebutuhan pengguna (HR dan hiring manager), kebutuhan fungsional dan nonfungsional, serta pemilihan teknologi seperti arsitektur backend berbasis layanan, basis data non-relasional, dan integrasi dua model machine learning (profile matching dan user profiling) yang dikembangkan anggota tim lain. Implementasi menghasilkan aplikasi dashboard Sociafoot yang terdiri atas antarmuka pengguna berbasis web dan serangkaian endpoint backend untuk mengelola kandidat dan deskripsi pekerjaan, melakukan scraping media sosial, serta menampilkan hasil pemodelan machine learning dalam bentuk visualisasi. Aplikasi diuji melalui black box testing, integration testing layanan backend, pengujian kinerja dengan metrik Core Web Vitals, serta usability testing untuk menilai kegunaan antarmuka. Hasil pengujian menunjukkan bahwa Sociafoot mampu menyajikan informasi kandidat berbasis digital footprint secara lebih komprehensif dan mendukung proses screening yang lebih efektif dibanding pendekatan yang hanya bergantung pada CV, meskipun masih terdapat keterbatasan seperti ketergantungan pada tiga platform media sosial dan waktu respons saat scraping yang perlu dioptimalkan .