Implementasi Metode Tf-idf Dan K-nearest Neighbor Untuk Seleksi Pelamar Kerja

Abstract

Abstrak
Indonesia merupakan salah satu negara dengan jumlah penduduk terbesar didunia dan mengalami peningkatan disetiap
tahunnya, maka dari itu jumlah tenaga kerja juga terus meningkat pada setiap tahunnya dari berbagai jenis tingkatan
pendidikan. Perekrutan pegawai merupakan salah satu proses penting menyaring pelamar yang berkualifikasi dan
memenuhi standar organisasi/perusahaan. Proses perekrutan pelamar kerja yang dengan jumlah yang banyak
menjadikan salah satu faktor bagi perusahaan membutuhkan waktu dan biaya lebih pada proses penyeleksian. Salah
satu cara untuk memudahkannya proses seleksi, dengan memberi label/skor pada hasil wawancara pelamar oleh
expert/ahli. Untuk menyelesaikan masalah tersebut digunakannya metode Term Frequency-Inverse Document Frequency
(TF-IDF) sebagai extraksi fitur dan metode K-Nearest Neighbor (KNN) dengan cosine similarity untuk menghitung jarak
tetangga terdekat, sebagai klasifikasi terhadap teks hasil wawancara pelamar. Hasil dari proses ini menunjukkan bahwa
KNN merupakan pendekatan yang cukup efektif karena tingkat akurasi KNN mampu menghasilkan keakuratan ratarata mencapai 65.2%.
Kata kunci: perekrutan pelamar kerja, klasifikasi teks, K Nearest-Neighbor, Cosine similarity
Abstract
Indonesia is one of the countries with the largest population in the world and has increased every year, therefore the
number of workers also continues to increase every year from various types of education levels. Recruitment of employees
is an important process of screening qualified applicants and meeting organizational / company standards. The
recruitment process of job applicants with a large number makes one of the faktors for companies requiring more time
and money in the selection process. One way to facilitate the selection process, by giving a label / score on the interview
results of the applicant by the expert / expert. To solve this problem the term frequency-inverse document frequency (TFIDF) method is used as a feature extraction and the K-Nearest Neighbor (KNN) method K-Nearest Neighbor (KNN)
method with cosine similarity to calculate the distance to the nearest neighbor, as a classification of the text of the
interview applicants. The results of this process show that KNN is a quite effective approach because the accuracy of KNN
is able to produce an average accuracy of 65.2%.
Keywords: recruitment of job applicants, text classification, K Nearest-Neighbor, Cosine similarity