Sistem rekomendasi pekerjaan dapat membantu pencari kerja menemukan
lowongan yang paling relevan dengan profil pencari kerja. Namun, tantangan utama
dalam pengembangan sistem ini adalah menyajikan rekomendasi yang bersifat
personal dan kontekstual berdasarkan atribut pengguna. Oleh karena itu, penelitian
ini bertujuan untuk mengembangkan sistem rekomendasi pekerjaan berbasis
Content-Based Filtering (CBF) dengan pendekatan Natural Language Processing
(NLP), yang diintegrasikan ke dalam sistem website Applicant Tracking System
(ATS) milik PT XYZ.
Penelitian ini menggunakan data lowongan pekerjaan yang dikumpulkan
melalui web scraping dari platform Glints, menghasilkan sebanyak 1.057 data
untuk pelatihan dan 160 data manual untuk pengujian. Metode yang digunakan
mencakup persiapan dataset, text preprocessing, ekstraksi fitur menggunakan TFIDF,
BERT, dan word embedding (GloVe & FastText), serta perhitungan similarity
menggunakan cosine similarity dan pendekatan weighted similarity. Pendekatan
weighted similarity dilakukan dengan menggabungkan TF-IDF dengan word
embedding, serta TF-IDF dengan BERT, masing-masing diuji dengan variasi bobot
70:30, 50:50, dan 30:70. Evaluasi model dilakukan menggunakan metrik
Precision@10, MAP@10, dan NDCG@10.
Hasil menunjukkan bahwa pendekatan weighted similarity pada TF-IDF dan
BERT dengan bobot 30:70 memberikan rekomendasi pekerjaan yang relevan
dengan nilai evaluasi Precision@10 sebesar 0,7412, MAP@10 sebesar 0,8933, dan
NDCG@10 sebesar 0,9531. Pendekatan ini kemudian diimplementasikan dalam
bentuk layanan REST API menggunakan framework FastAPI, dan diintegrasikan
ke dalam website ATS di PT XYZ yang dibangun menggunakan NestJS pada sisi
backend dan Next.js pada sisi frontend. Sistem yang telah diintegrasikan berhasil
memberikan rekomendasi pekerjaan yang sesuai dengan profil pencari kerja.