PENGEMBANGAN SISTEM PENYARINGAN RESUME MENGGUNAKAN ROBERTA, RANDOM FOREST DAN EXPLAINABLE AI

Proses penyaringan resume merupakan tahap penting dalam rekrutmen untuk memastikan kandidat yang dipilih sesuai dengan kebutuhan perusahaan. Namun, metode konvensional maupun sistem pelacakan pelamar (Applicant Tracking System / ATS) tradisional seringkali membutuhkan waktu yang lama karena prosesnya bersifat manual dan bergantung pada pencocokan kata kunci tanpa mempertimbangkan konteks. Hal ini membuat proses seleksi menjadi kurang transparan, berisiko bias, dan tidak objektif. Penelitian ini bertujuan untuk mengembangkan sistem penyaringan resume otomatis dengan mengkombinasikan model RoBERTa untuk ekstraksi fitur teks, Random Forest untuk klasifikasi, serta Explainable AI guna memberikan penjelasan yang dapat diinterpretasikan terhadap hasil rekomendasi. Dataset yang digunakan terdiri dari 1.095 resume berbahasa inggris yang diperoleh dari GitHub dan data sintetis, dengan label kecocokan yang dibentuk melalui proses clustering. Hasil pengujian menunjukkan bahwa RoBERTa berhasil melakukan ekstraksi informasi dengan F1 Score sebesar 81.08% dan Random Forest menghasilkan akurasi klasifikasi sebesar 96% dalam menentukan kecocokan kandidat. Selain itu, penerapan Explainable AI menggunakan SHAP membantu recruiter memahami kontribusi setiap fitur terhadap keputusan sistem. Dengan demikian, sistem ini diharapkan dalam mempercepat proses seleksi awal secara lebih efisien dan akurat.