GIFFANY, KHANSA PUTRI (2026) PENGEMBANGAN SMART JOB RECOMMENDATION WEB APP DENGAN INTEGRASI RESUME PARSING DAN SEMANTIC SIMILARITY BERBASIS INDOBERT UNTUK REKOMENDASI LOWONGAN KERJA DI INDONESIA. S1 thesis, Universitas Mercu Buana Jakarta.
|
Text (HAL COVER)
COVER.pdf Download (738kB) | Preview |
|
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (BAB I)
BAB1.pdf Restricted to Registered users only Download (190kB) |
|
|
Text (BAB II)
BAB2.pdf Restricted to Registered users only Download (212kB) |
|
|
Text (BAB III)
BAB3.pdf Restricted to Registered users only Download (487kB) |
|
|
Text (BAB IV)
BAB4.pdf Restricted to Registered users only Download (1MB) |
|
|
Text (BAB V)
BAB5.pdf Restricted to Registered users only Download (157kB) |
|
|
Text (DAFTAR PUSTAKA)
DAFPUS.pdf Restricted to Registered users only Download (165kB) |
|
|
Text (LAMPIRAN)
LAMPIRAN.pdf Restricted to Registered users only Download (988kB) |
Abstract
The digital transformation of recruitment processes in Indonesia faces efficiency challenges, primarily because conventional Applicant Tracking Systems (ATS) rely heavily on keyword matching. This method is limited in handling varied Curriculum Vitae (CV) formats, mixed-language usage (Indonesian-English), and diverse skill synonyms, often failing to detect relevant candidates. This study aims to develop a Smart Job Recommendation Web App integrating Resume Parsing and Semantic Similarity based on the IndoBERT language model. The system is designed using modern web architecture with Next.js and TypeScript, utilizing web crawling techniques to gather actual job listing data from Glints Indonesia. The analysis process involves Named Entity Recognition (NER) to extract skills, experience, and education from CVs, which are then mapped into vector representations using IndoBERT. The relevance between the CV and job descriptions is calculated using Cosine Similarity to generate recommendations based on semantic meaning rather than literal text matching. The expected outcome of this research is a system capable of providing more accurate, contextual, and fair job recommendations, addressing the gap in natural language processing technology for the Indonesian labor market. Kata kunci: Job Recommendation System, Resume Parsing, IndoBERT, Semantic Similarity, Natural Language Processing. Transformasi digital dalam proses rekrutmen di Indonesia menghadapi tantangan efisiensi, terutama karena sistem Applicant Tracking System (ATS) konvensional yang masih mengandalkan pencocokan berbasis kata kunci (keyword matching). Metode ini memiliki keterbatasan dalam menangani variasi format Curriculum Vitae (CV), penggunaan campuran bahasa (Indonesia-Inggris), serta sinonim keterampilan yang beragam, sehingga seringkali gagal mendeteksi kandidat yang relevan. Penelitian ini bertujuan untuk mengembangkan Smart Job Recommendation Web App yang mengintegrasikan teknologi Resume Parsing dan Semantic Similarity menggunakan model bahasa IndoBERT. Sistem ini dirancang dengan arsitektur web modern menggunakan Next.js dan TypeScript, serta memanfaatkan teknik web crawling untuk mengumpulkan data lowongan kerja aktual dari portal Glints Indonesia. Proses analisis melibatkan ekstraksi entitas (Named Entity Recognition) untuk mengidentifikasi keterampilan, pengalaman, dan pendidikan dari CV, yang kemudian dipetakan ke dalam representasi vektor menggunakan IndoBERT. Tingkat relevansi antara CV dan lowongan kerja dihitung menggunakan metode Cosine Similarity untuk menghasilkan rekomendasi yang didasarkan pada kesamaan makna semantik, bukan sekadar kecocokan teks literal. Hasil yang diharapkan dari penelitian ini adalah sebuah sistem yang mampu memberikan rekomendasi lowongan kerja yang lebih akurat, kontekstual, dan adil, serta menjadi solusi atas kesenjangan teknologi pemrosesan bahasa alami untuk pasar tenaga kerja di Indonesia. Kata kunci: Sistem Rekomendasi Pekerjaan, Resume Parsing, IndoBERT, Semantic Similarity, Natural Language Processing.
Actions (login required)
 |
View Item |
