Klasifikasi kemampuan pencari kerja berdasarkan resume pelamar menggunakan Long Short-Term Memory (LSTM)

INDONESIA:

Ketidaksesuaian antara kompetensi pelamar dan kebutuhan industri masih menjadi tantangan dalam proses perekrutan. Penelitian ini bertujuan mengklasifikasikan kemampuan pencari kerja berdasarkan teks resume menggunakan metode Long Short-Term Memory (LSTM). Dataset diperoleh dari Kaggle yang terdiri dari 962 data resume dan 25 kategori pekerjaan. Proses mencakup preprocessing, ekstraksi fitur Word2Vec, dan pelatihan model LSTM dengan variasi hyperparameter seperti dimensi embedding (50 dan 100), unit LSTM (64 dan 128), serta batch size (32 dan 64). Evaluasi menggunakan akurasi, presisi, recall, dan F1-score. Hasil menunjukkan skenario terbaik (dimensi embedding 100, unit LSTM 128, batch size 32) mencapai akurasi 80,31%, presisi 87,14%, recall 79,09%, dan F1-score 80,23%. Uji statistik menunjukkan tidak ada perbedaan yang besar antar skenario, namun konfigurasi tersebut memberikan performa paling optimal. Sistem ini diharapkan membantu HRD dalam melakukan rekrutmen dengan lebih objektif.

ENGLISH:

The mismatch between applicants’ skills and industry needs remains a challenge in the recruitment process. This study aims to classify job seekers’ skills based on resume text using the Long Short-Term Memory (LSTM) method. The dataset was obtained from Kaggle and consists of 962 resumes and 25 job categories. The process includes preprocessing, Word2Vec feature extraction, and training the LSTM model with various hyperparameters such as embedding dimensions (50 and 100), LSTM units (64 and 128), and batch size (32 and 64). Evaluation was conducted using accuracy, precision, recall, and F1-score. The results show that the best scenario (embedding dimension 100, LSTM units 128, batch size 32) achieved an accuracy of 80.31%, precision of 87.14%, recall of 79.09%, and an F1-score of 80.23%. Statistical tests indicate no significant differences between scenarios, but this configuration provides the most optimal performance. This system is expected to help HR departments conduct recruitment more objectively.

ARAB:

لا يزال عدم التوافق بين كفاءات المتقدمين واحتياجات قطاع الصناعة يمثل تحديًا في عملية التوظيف. تهدف هذه الدراسة إلى تصنيف قدرات باحثي العمل بناءً على نصوص السير الذاتية باستخدام طريقة الذاكرة الطويلة قصيرة المدى (LSTM) .تم الحصول على مجموعة البيانات من موقع (Kaggle)، والتي تتكون من ٩٦٢ بيانات سيرة ذاتية و٢٥ فئة وظيفية. تتضمن العمليات معالجة مسبقة للبيانات، واستخراج الميزات باستخدام (Word2Vec)، وتدريب نموذج (LSTM) مع تنويع المعلمات الفائقة (hyperparameters)مثل أبعاد التضمين (٥٠ و١٠٠)، ووحدات (LSTM) (٦٤ و١٢٨)، وحجم الدفعة (٣٢ و٦٤). تم إجراء التقييم باستخدام مقاييس الدقة (Accuracy)، والدقة المحكمة (Precision)، والاستدعاء (Recall)، ومقياس (F1-score). وأظهرت النتائج أن أفضل سيناريو (أبعاد التضمين ١٠٠، ووحدات LSTM ١٢٨، وحجم الدفعة ٣٢) حقق دقة بلغت ٨٠،٣١٪، ودقة محكمة ٨٧،١٤٪، واستدعاءً ٧٩،٠٩٪، ومقياس F1 بنسبة ٨٠،٢٣٪. وأشارت الاختبارات الإحصائية إلى عدم وجود فروق جوهرية بين السيناريوهات، ومع ذلك فإن هذا التكوين قدم الأداء الأكثر مثالية. ومن المتوقع أن يساعد هذا النظام أقسام الموارد البشرية (HRD) في إجراء عملية التوظيف بشكل أكثر موضوعية.