Prediksi Keberhasilan Lamaran Pekerjaan Dengan Count Vectorizer dan Logistic Regression

Ellina Ellina, Jasen Cristian, Valerie Louise, Sabrilla Koka, Christnatalis Christnatalis

Abstract


Surat lamaran pekerjaan adalah hal yang umum diajukan dalam proses melamar pekerjaan namun proses penilaian pelamar kerja dapat memakan waktu dan tenaga yang tidak sedikit. Pemanfaatan teknologi Machine Learning yang mengandalkan teknik pembelajaran seperti layaknya manusia adalah solusi yang dapat dilakukan untuk membantu proses analisa ataupun prediksi. Logistic Regression merupakan salah satu algoritma Machine Learning yang dapat melakukan klasifikasi biner antara nilai yang benar dan salah. Dalam penelitian ini, penulis mengimplementasikan algoritma tersebut untuk memprediksi apakah sebuah surat lamaran pekerjaan akan diterima oleh perusahaan atau tidak. Dataset yang digunakan memiliki jumlah 2.155 data, Dikarenakan oleh tipe data surat lamaran berupa teks, maka dapat dilakukan proses Count Vectorizer untuk mengubah format data teks menjadi data matriks yang dapat dimengerti oleh algoritma Logistic Regression. Pada akhirnya, penelitian ini menghasilkan akurasi prediksi sebesar 85,62%.


References


D. Paramita, “Digitalization in talent acquisition: A case study of AI in recruitment.” 2020.

M. Alghazal, “Talent Acquisition Process Optimization Using Machine Learning in Resumes’ Ranking and Matching to Job Descriptions,” 2021.

M. Grohe, “word2vec, node2vec, graph2vec, x2vec: Towards a theory of vector embeddings of structured data,” in Proceedings of the 39th ACM SIGMOD-SIGACT-SIGAI Symposium on Principles of Database Systems, 2020, pp. 1–16.

D. E. Cahyani and I. Patasik, “Performance comparison of TF-IDF and Word2Vec models for emotion text classification,” Bulletin of Electrical Engineering and Informatics, vol. 10, no. 5, pp. 2780–2788, 2021.

M. Jayaratne and B. Jayatilleke, “Predicting personality using answers to open-ended interview questions,” IEEE Access, vol. 8, pp. 115345–115355, 2020.

X. Zhang, J. Kim, R. E. Patzer, S. R. Pitts, A. Patzer, and J. D. Schrager, “Prediction of emergency department hospital admission based on natural language processing and neural networks,” Methods Inf Med, vol. 56, no. 05, pp. 377–389, 2017.

P. Senarathne, M. Silva, A. Methmini, D. Kavinda, and S. Thelijjagoda, “Automate Traditional Interviewing Process Using Natural Language Processing and Machine Learning,” in 2021 6th International Conference for Convergence in Technology (I2CT), 2021, pp. 1–6.

F. García-Peñalvo, J. Cruz-Benito, M. Martín-González, A. Vázquez-Ingelmo, J. C. Sánchez-Prieto, and R. Therón, “Proposing a Machine Learning Approach to Analyze and Predict Employment and its Factors,” International Journal of Interactive Multimedia and Artificial Intelligence, vol. 5, no. 2, p. 39, 2018, doi: 10.9781/ijimai.2018.02.002.

M. Sippy, J. Khandelwal, A. Jain, and K. K. Mathew, “ResumeScan: Application Tracking and Career Prediction Model,” 2021.

R. Siringoringo, “Klasifikasi data tidak seimbang menggunakan algoritma SMOTE dan k-nearest neighbor,” Journal Information System Development (ISD), vol. 3, no. 1, 2018.

P. Senarathne, M. Silva, A. Methmini, D. Kavinda, and S. Thelijjagoda, “Automate Traditional Interviewing Process Using Natural Language Processing and Machine Learning,” in 2021 6th International Conference for Convergence in Technology (I2CT), 2021, pp. 1–6.




DOI: http://dx.doi.org/10.30645/senaris.v4i2.204

Refbacks

  • There are currently no refbacks.


&nbsp