IMPLEMENTASI HYPERAUTOMATION DENGAN NATURAL
LANGUAGE PROCESSING UNTUK PROSES REKRUTMEN
PEGAWAI: STUDI KASUS PT. TECH XYZ
PROPOSAL TUGAS AKHIR
Diajukan Untuk Memenuhi Salah Satu Syarat
Dalam Menempuh Ujian Sidang Sarjana Di
Program Studi Teknik Informatika
NPM
:
40621200005
Nama
:
Nidal Abdillah
Konsentrasi :
IT
TEKNIK INFORMATIKA – FAKULTAS TEKNIK
UNIVERSITAS WIDYATAMA
BANDUNG
2025
BAB I
PENDAHULUAN
1.1 Latar Belakang Masalah
Dalam era transformasi digital yang pesat, proses rekrutmen di perusahaan
teknologi menghadapi tantangan besar dalam mengelola volume aplikasi
lamaran yang tinggi dan memastikan pemilihan kandidat yang sesuai dengan
kebutuhan perusahaan. Perusahaan Tech XYZ, sebagai salah satu pemain
utama di industri teknologi, mengalami berbagai kendala dalam proses
penyaringan dan seleksi kandidat yang efisien dan efektif. Proses rekrutmen
yang masih mengandalkan metode manual menghadirkan berbagai
permasalahan, seperti penyaringan awal yang memakan waktu,
ketidakefektifan dalam mengidentifikasi kandidat yang kompeten, serta
kurangnya alat bantu objektif dalam pengambilan keputusan.
Salah satu kendala utama dalam proses rekrutmen tradisional adalah
penyaringan awal CV yang lambat dan tidak efisien. Tim HR harus
memilah dan menganalisis ratusan hingga ribuan CV secara manual, yang tidak
hanya memakan waktu tetapi juga berisiko tinggi terhadap kesalahan manusia.
Dalam banyak kasus, kandidat dengan kualifikasi terbaik bisa terlewatkan
karena keterbatasan waktu dan sumber daya dalam tahap seleksi awal.
Selain itu, proses seleksi yang masih dilakukan secara konvensional sering
kali menyulitkan tim HR dalam membangun kumpulan kandidat yang
benar-benar kompeten. Banyak kandidat yang masuk ke tahap seleksi
lanjutan tidak sepenuhnya memenuhi kualifikasi yang dibutuhkan perusahaan.
Hal ini mengakibatkan peningkatan waktu dan biaya yang dikeluarkan untuk
menyaring kandidat yang kurang relevan, sehingga menghambat efektivitas
rekrutmen.
Tantangan lainnya adalah kurangnya sistem yang dapat menilai
keterampilan dan pengalaman kandidat secara objektif. Penilaian masih
sangat bergantung pada interpretasi subjektif dari perekrut, yang berpotensi
menimbulkan bias dalam proses seleksi. Kesulitan dalam mencocokkan
keterampilan kandidat dengan kebutuhan perusahaan sering kali menyebabkan
ketidaktepatan dalam pengambilan keputusan rekrutmen.
Selain aspek penyaringan dan penilaian kandidat, proses pengambilan
keputusan dalam rekrutmen juga menjadi tantangan tersendiri. Tanpa
adanya sistem pendukung keputusan berbasis data, tim HR sering kali
mengalami kesulitan dalam menentukan kandidat terbaik secara objektif.
Keputusan yang dibuat secara manual dapat mengakibatkanketidakkonsistenan
2
dalam proses seleksi dan meningkatkan risiko kesalahan dalam memilih
kandidat yang sesuai.
Lebih lanjut, efisiensi dan efektivitas dalam proses rekrutmen menjadi
tantangan utama bagi perusahaan. Metode manual yang masih digunakan saat
ini sering kali menyebabkan keterlambatan dalam setiap tahapan rekrutmen,
mulai dari penyaringan awal hingga pengambilan keputusan akhir. Proses yang
tidak optimal ini dapat mengakibatkan kehilangan kandidat potensial, terutama
jika mereka mendapatkan tawaran dari perusahaan lain lebih cepat.
Dengan berbagai permasalahan tersebut, jelas bahwa metode rekrutmen
tradisional memiliki banyak keterbatasan yang dapat menghambat efektivitas
perusahaan dalam memperoleh tenaga kerja berkualitas. Oleh karena itu,
diperlukan pendekatan yang lebih sistematis dalam mengatasi tantangan ini,
sehingga proses rekrutmen dapat berjalan lebih efisien dan tepat sasaran.
1.2 Rumusan Masalah
Proses rekrutmen pegawai merupakan aspek krusial dalam
keberlangsungan suatu perusahaan, terutama dalam industri teknologi yang
menuntut tenaga kerja dengan keterampilan dan kompetensi yang tinggi.
Perusahaan Tech XYZ menghadapi berbagai tantangan dalam menjalankan
proses rekrutmen yang efektif dan efisien meliputi:
1. Bagaimana meningkatkan efisiensi dalam penyaringan awal kandidat agar
proses seleksi awal dapat dilakukan dengan cepat dan akurat sesuai dengan
kriteria perusahaan?
2. Bagaimana membangun kumpulan kandidat yang relevan dan kompeten,
baik dari sumber internal maupun eksternal, guna memastikan hanya
pelamar yang memenuhi kualifikasi yang masuk ke tahap seleksi
berikutnya?
3. Bagaimana proses evaluasi keterampilan, pengalaman, dan relevansi
kandidat dapat dilakukan secara lebih objektif dan konsisten untuk
mengurangi subjektivitas dalam pengambilan keputusan di Perusahaan
Tech XYZ?
4. Bagaimana menyediakan sistem pendukung keputusan yang dapat
membantu tim HR dalam menilai dan memilih kandidat terbaik
berdasarkan analisis data yang lebih terstruktur?
5. Bagaimana meningkatkan efisiensi, akurasi, dan kualitas dalam seluruh
proses rekrutmen pegawai di Perusahaan Tech XYZ agar setiap tahap
seleksi berjalan lebih optimal dan sesuai dengan kebutuhan perusahaan?
1.3 Tujuan Penelitian
Penelitian ini bertujuan untuk mengembangkan sistem Hyperautomation
berbasis AI dengan Natural Language Processing NLP dalam proses
3
rekrutmen pegawai di Perusahaan Tech XYZ. Adapun tujuan utama dari
penelitian ini adalah:
1. Mengotomatiskan Penyaringan Awal dengan mempercepat analisis dan
seleksi CV kandidat berdasarkan kesesuaian dengan kriteria yang telah
ditetapkan, sehingga meningkatkan efisiensi dalam tahap seleksi awal.
2. Membangun kumpulan kandidat yang kompeten dengan
mengidentifikasi dan menyaring kandidat yang benar-benar memenuhi
kualifikasi perusahaan, baik dari pelamar internal maupun eksternal, guna
memastikan hanya kandidat yang relevan yang masuk ke tahap seleksi
lebih lanjut.
3. Mengoptimalkan penggunaan alat seleksi berbasis AI melalui sistem
evaluasi yang dapat menilai keterampilan, pengalaman, dan relevansi
kandidat berdasarkan analisis dokumen lamaran dengan pencocokan pada
requirement yang ada.
4. Menyediakan rekomendasi keputusan berbasis data melalui Decision
Support System (DSS) untuk membantu tim HR dalam memilih kandidat
terbaik berdasarkan hasil analisis AI, sehingga meningkatkan objektivitas
dan efisiensi pengambilan keputusan.
5. Meningkatkan efisiensi dan efektivitas dalam proses rekrutmen
pegawai dengan mengurangi ketidakefektifan metode manual serta
memaksimalkan resource yang ada tentu memastikan setiap tahap
rekrutmen berjalan secara optimal dengan automation.
1.4 Batasan Masalah
Berikut adalah beberapa Batasan Masalah yang dihadapi:
1. Studi ini berfokus pada tahap seleksi kandidat setelah kriteria rekrutmen
ditetapkan oleh perusahaan.
2. Requirement di include pada sistem secara manual untuk nanti di cocokan
oleh AI dengan cv kandidat.
3. Penyaringan awal menggunakan automation yang di peroleh oleh AI hanya
sebatas Decision Suport System (DSS) yang membantu HR untuk mengabil
keputusan.
4. Hasil analisis AI bergantung pada kualitas data yang dimasukkan; kesalahan
atau ketidaklengkapan dalam CV yang dibuat kandidate dapat memengaruhi
akurasi rekomendasi sehingga penting CV yang berkualitas.
5. Prompting yang digunakan bersifat statis, artinya model NLP hanya akan
menghasilkan respons sesuai dengan struktur prompt yang telah ditentukan.
6. Studi ini hanya diterapkan dalam lingkungan Perusahaan Tech XYZ,
sehingga hasil yang diperoleh belum tentu dapat langsung diadopsi oleh
perusahaan lain dengan model rekrutmen yang berbeda.
1.5 Mamfaat Penelitian
Penelitian ini diharapkan memberikan manfaat bagi berbagai pihak,
khususnya dalam meningkatkan efektivitas dan efisiensi proses rekrutmen di
4
Perusahaan Tech XYZ. Berikut adalah beberapa manfaat yang dapat diperoleh
dari hasil penelitian ini:
1. Mempercepat proses seleksi awal
Dengan otomatisasi penyaringan CV, sistem dapat dengan cepat
menganalisis dan menyeleksi kandidat berdasarkan kriteria yang telah
ditetapkan, sehingga menghemat waktu dan tenaga dalam proses rekrutmen.
2. Penyaringan Kandidat yang Lebih Akurat
Penelitian ini membantu membangun kumpulan kandidat yang lebih
berkualitas dengan memastikan hanya individu yang memenuhi kualifikasi
perusahaan yang dapat masuk ke tahap seleksi lebih lanjut.
3. Reduksi Human Error dengan Teknologi AI untuk Evaluasi Kandidat
Penggunaan AI dalam analisis data kandidat membantu mengurangi
kesalahan manusia dalam menilai kelayakan pelamar. Hal ini memastikan
bahwa proses rekrutmen berjalan lebih adil dan transparan.
4. Optimalisasi Pengambilan Keputusan
Dengan adanya Decision Support System (DSS), tim HR dapat mengambil
keputusan berdasarkan data yang lebih terstruktur dan analisis yang lebih
mendalam. Ini membantu dalam memilih kandidat terbaik dengan lebih
percaya diri dan berdasarkan data yang valid.
5. Meningkatkan Efisiensi dan Efektivitas Rekrutmen
Dengan mengurangi ketergantungan pada metode manual dan
memanfaatkan otomatisasi, penelitian ini memastikan bahwa setiap tahap
rekrutmen dapat berjalan dengan lebih optimal, menghemat sumber daya,
serta meningkatkan kualitas perekrutan secara keseluruhan.
Dengan manfaat-manfaat ini, penelitian ini tidak hanya memberikan solusi
terhadap permasalahan yang ada, tetapi juga berkontribusi dalam menciptakan
proses rekrutmen yang lebih canggih, efektif, dan kompetitif di era digital.
5
BAB II
KAJIAN PUSTAKA
2.1 Tinjauan Pustaka
2.1.1 Metode Natural Language Processing Dalam Screening CV
Proses screening Curriculum Vitae (CV) atau resume merupakan
tahap krusial dalam rekrutmen, di mana sejumlah besar aplikasi perlu
dievaluasi secara efisien untuk mengidentifikasi kandidat yang paling
sesuai. Metode Natural Language Processing (NLP) telah muncul
sebagai pendekatan yang menjanjikan untuk mengotomatisasi dan
meningkatkan akurasi proses ini [1], ini akan mengeksplorasi berbagai
metode NLP yang diterapkan dalam screening CV berdasarkan dua studi
yang relevan.
Devaraju [1] meneliti pemanfaatan NLP secara komprehensif dalam
sistem rekrutmen berbasis kecerdasan buatan (AI), dengan fokus pada
peningkatan efisiensi screening, pemeringkatan, dan pencocokan
kandidat. Studi ini mengadopsi model-model NLP canggih seperti BERT
dan GPT untuk memahami konteks dalam resume dan deskripsi
pekerjaan, sehingga memungkinkan identifikasi kandidat yang lebih
akurat. Selain itu, penelitian ini mengembangkan alat simulasi
wawancara berbasis NLP yang menggunakan input dari Manajer
Perekrutan untuk mengevaluasi kesesuaian kandidat melalui interaksi
yang disimulasikan. Algoritma pencarian semantik berbasis NLP juga
diterapkan untuk menyaring kandidat dari basis data HR yang besar
berdasarkan relevansi keterampilan dan pengalaman. Metode-metode
NLP ini bertujuan untuk mengatasi tantangan dalam efisiensi rekrutmen
dan kesesuaian kandidat.
Di sisi lain, Hatti et al. [2] mengembangkan sebuah alat "Efficient
Resume Screening Tool" yang secara spesifik menggunakan metode NLP
dan Machine Learning (ML) untuk mengotomatisasi analisis resume
dalam rangka mengidentifikasi kandidat yang paling sesuai. Alat ini
memanfaatkan teknik NLP untuk mengekstrak informasi penting dari
resume, termasuk keterampilan, pengalaman kerja, dan pendidikan.
Informasi yang diekstrak ini kemudian dianalisis dan diperingkatkan
berdasarkan kriteria pekerjaan yang telah ditentukan. Metode NLP yang
digunakan dalam alat ini memungkinkan kategorisasi keterampilan
secara otomatis dan visualisasi informasi kandidat melalui antarmuka
berbasis web. Integrasi dengan ML memungkinkan alat ini untuk
beradaptasi dan meningkatkan kinerjanya seiring waktu berdasarkan
umpan balik dan data baru. Fokus utama dari metode NLP dalam
penelitian ini adalah untuk mengurangi upaya manual dalam screening
6
dan meningkatkan akurasi dalam mengidentifikasi kandidat yang
relevan.
[3] kesulitan yang dihadapi oleh pemberi kerja dalam menyeleksi
sejumlah besar resume. Penelitian mereka bertujuan untuk memastikan
evaluasi kandidat yang adil, mengurangi bias, dan meningkatkan
efisiensi proses evaluasi kandidat melalui otomatisasi screening resume
menggunakan teknik NLP. Sistem yang diusulkan mengekstrak
kompetensi yang relevan dari resume, dengan fokus pada keterampilan
utama yang dibutuhkan untuk posisi tertentu. Studi kasus dilakukan pada
123 posisi pekerjaan, dan penelitian ini mengevaluasi penggunaan
Jaccard Similarity dan Cosine Similarity untuk mencocokkan
kompetensi yang diekstrak dengan set keterampilan yang telah
ditentukan untuk berbagai posisi pekerjaan. Hasil penelitian
menunjukkan bahwa Jaccard Similarity menghasilkan hasil yang lebih
selaras dengan tujuan studi karena fokusnya pada keberadaan atau
ketiadaan kata-kata spesifik (kompetensi). Sistem berbasis NLP ini
memberikan skor similaritas untuk memeringkatkan kandidat
berdasarkan analisis keberadaan atau ketiadaan kata-kata spesifik dalam
resume mereka dibandingkan dengan kompetensi yang dibutuhkan,
sehingga menawarkan manfaat signifikan seperti penghematan waktu
dan sumber daya, peningkatan objektivitas, dan evaluasi yang lebih adil.
2.1.2 Metode AI untuk Proses Rekrutment
Dalam konteks rekrutmen, Artificial Intelligence (AI) dapat
didefinisikan sebagai penggunaan sistem komputer untuk meniru
kemampuan kognitif manusia. Kemampuan ini meliputi belajar (dari
data), memecahkan masalah, dan mengambil keputusan. Dalam proses
rekrutmen, AI diterapkan untuk meningkatkan efisiensi, objektivitas,
serta mengurangi biaya dan waktu yang diperlukan untuk
mengidentifikasi dan memilih kandidat yang paling tepat [4].
Sebelum membahas bagaimana AI diterapkan, penting untuk memahami
tahapan umum dalam proses rekrutmen. Secara garis besar, proses ini
meliputi [4]:
1) Identifikasi Kebutuhan: Menentukan posisi yang dibutuhkan
dalam organisasi.
2) Penyusunan Deskripsi Pekerjaan: Membuat rincian mengenai
tanggung jawab, kualifikasi, dan keterampilan yang dicari.
3) Pencarian Kandidat (Sourcing): Menarik calon pelamar melalui
berbagai saluran.
4) Penyaringan Awal (Screening): Mengevaluasi aplikasi dan
resume untuk memilih kandidat yang memenuhi kriteria dasar.
7
5) Wawancara: Melakukan sesi tanya jawab dengan kandidat
terpilih.
6) Penilaian Tambahan: Melakukan tes atau evaluasi lain jika
diperlukan.
7) Referensi Cek: Memeriksa latar belakang dan kinerja kandidat
dari pemberi kerja sebelumnya.
8) Penawaran Pekerjaan: Menyampaikan tawaran kerja kepada
kandidat yang lolos.
9) Onboarding: Mengintegrasikan karyawan baru ke dalam
organisasi.
Berdasarkan jurnal "Examining the use of artificial intelligence in
recruitment processes" karya Karaboga & Vardarlier, 2020, berikut
adalah beberapa metode AI yang digunakan dalam berbagai tahapan
proses rekrutmen [4]:
1)
Ekstraksi Informasi (Information Extraction): AI menggunakan
pemrosesan bahasa alami (NLP) dan machine learning untuk
secara otomatis memindai dan mengekstrak informasi penting dari
resume dan aplikasi, seperti pengalaman kerja, pendidikan,
keterampilan, dan kualifikasi yang relevan dengan deskripsi
pekerjaan.
2)
Pengenalan Kepribadian (Personality Recognition): AI
menganalisis teks dalam surat lamaran, jawaban esai, atau transkrip
wawancara untuk mengidentifikasi pola bahasa yang mungkin
mengindikasikan ciri-ciri kepribadian kandidat.
3)
Deteksi Suasana Hati dan Emosi (Mood and Emotion
Detection): AI menggunakan analisis linguistik untuk mencoba
mendeteksi suasana hati dan emosi yang terkandung dalam
komunikasi tertulis kandidat.
4)
Sistem Penyortiran Kandidat Otomatis (Automated Candidate
Sorting Systems): AI menggunakan algoritma machine learning
yang dilatih dengan data perekrut untuk memberikan skor atau
peringkat kepada kandidat berdasarkan kesesuaian profil mereka
dengan kriteria yang telah dipelajari.
5)
Alat Pencocokan Pekerjaan (Job Matching Tools): AI
menggunakan teknik seperti NLP, machine learning, dan algoritma
genetik untuk menganalisis deskripsi pekerjaan dan resume
kandidat, bertujuan untuk mengidentifikasi kandidat dengan
keterampilan dan pengalaman yang paling relevan.
8
6)
Chatbots: Chatbots yang didukung AI berinteraksi dengan
kandidat untuk menjawab pertanyaan umum, mengumpulkan
informasi awal, dan membantu penjadwalan wawancara.
7)
Analisis Wawancara Video (Video Interview Analysis): AI
menganalisis video wawancara untuk mengidentifikasi petunjuk
nonverbal seperti ekspresi wajah, bahasa tubuh, dan nada suara,
lalu membandingkannya dengan data karyawan berkinerja tinggi.
Penting untuk diingat bahwa implementasi AI dalam rekrutmen harus
dilakukan secara hati-hati dan etis untuk menghindari bias dan
memastikan pengalaman kandidat yang positif [4].
2.1.3 Metode Prompting AI Dengan Chain-of-Thought dan Few-Shot
dalam Analisis CV
Dalam beberapa tahun terakhir, kemajuan pesat dalam bidang
Kecerdasan Buatan (AI), khususnya dalam model bahasa skala besar
(Large Language Models atau LLMs) seperti GPT-3.5 dan GPT-4, telah
membuka peluang baru dalam mengotomatisasi berbagai tugas yang
sebelumnya memerlukan intervensi manusia. Salah satu area yang sangat
potensial untuk penerapan LLMs adalah dalam proses rekrutmen, terutama
pada tahap awal analisis dan penyaringan Curriculum Vitae (CV).
Metode prompting AI menjadi semakin penting dalam memanfaatkan
kemampuan LLMs secara efektif. Prompting adalah proses memberikan
instruksi atau pertanyaan spesifik kepada model AI untuk menghasilkan
respons yang diinginkan. Desain prompt yang baik dapat secara signifikan
mempengaruhi kualitas dan relevansi output yang dihasilkan oleh LLM.
Dua teknik prompting yang sangat menjanjikan untuk tugas-tugas
penalaran kompleks seperti analisis CV adalah Chain-of-Thought (CoT)
dan Few-Shot Learning [5].
Menggabungkan teknik CoT dan few-shot learning memiliki potensi
besar untuk meningkatkan kinerja sistem screening CV otomatis. Dengan
memberikan beberapa contoh CV yang telah dievaluasi beserta langkahlangkah penalaran di baliknya (CoT dalam konteks few-shot), model AI
dapat belajar tidak hanya untuk mengidentifikasi kandidat yang cocok
tetapi juga untuk memahami mengapa kandidat tersebut dianggap cocok
atau tidak.
1) Chain-of-Thought (CoT)
Chain-of-Thought (CoT) adalah teknik prompting yang
mendorong model bahasa untuk menghasilkan serangkaian langkah
penalaran antara input dan output akhir [5]. Alih-alih langsung
memberikan jawaban, model dipandu untuk "berpikir langkah demi
langkah," menguraikan proses logis yang mengarah pada kesimpulan.
9
Dalam konteks analisis CV, CoT dapat dimanfaatkan untuk meminta
model menjelaskan alasan di balik keputusannya dalam menilai
kesesuaian seorang kandidat dengan kriteria tertentu. Misalnya, alihalih hanya memberikan skor "cocok" atau "tidak cocok," model dapat
menjelaskan langkah-langkah penalaran seperti: "Kandidat memiliki
pengalaman 5 tahun di bidang pengembangan perangkat lunak (sesuai
dengan persyaratan), namun tidak memiliki pengalaman spesifik
dengan bahasa pemrograman X yang disebutkan sebagai preferensi."
Teknik CoT ini memiliki potensi untuk meningkatkan akurasi
model dalam tugas-tugas yang memerlukan pemahaman mendalam
dan penalaran kontekstual, seperti mengevaluasi pengalaman kerja,
keterampilan, dan relevansi pendidikan yang tercantum dalam CV.
Selain itu, CoT juga meningkatkan explainability atau kemampuan
model untuk memberikan penjelasan atas keputusannya, yang sangat
penting dalam konteks rekrutmen untuk memastikan transparansi dan
mengurangi potensi bias [5].
2) Few-Shot Learning
Few-Shot Learning adalah pendekatan di mana model bahasa
diberikan beberapa contoh input-output yang relevan dalam prompt
untuk membantunya memahami tugas yang diinginkan [5]. Berbeda
dengan zero-shot learning (di mana model tidak diberikan contoh)
atau fine-tuning (di mana model dilatih ulang dengan dataset yang
besar), few-shot learning memungkinkan model untuk belajar dan
beradaptasi dengan tugas baru hanya dengan beberapa contoh.
Dalam konteks analisis CV untuk rekrutmen, few-shot learning
dapat diterapkan dengan memberikan model beberapa contoh CV
yang telah diberi label (misalnya, "cocok untuk posisi A," "tidak
cocok untuk posisi B," "mungkin cocok dengan posisi C"). Setiap
contoh CV dapat disertai dengan penjelasan singkat mengenai alasan
pelabelan tersebut. Dengan melihat contoh-contoh ini, model dapat
belajar pola dan kriteria yang relevan untuk mengevaluasi CV baru.
Studi oleh Lee et al. [5] menunjukkan efektivitas model seperti
GPT-3.5 dalam skenario few-shot learning, yang sangat relevan untuk
tugas analisis CV di mana kriteria dan preferensi perusahaan dapat
bervariasi. Dengan memberikan beberapa contoh CV yang ideal untuk
posisi yang dibuka, model dapat lebih baik memahami apa yang dicari
oleh perusahaan dan melakukan penyaringan dengan lebih akurat.
2.2 Landasan Teori
2.2.1 Human Resource Management (HRM)
Human Resource Management (HRM) merupakan fungsi organisasi
yang fokus pada pengelolaan sumber daya manusia untuk mencapai
10
tujuan organisasi. HRM mencakup aktivitas perekrutan, pengembangan,
kompensasi, dan pemeliharaan hubungan kerja yang produktif [6].
Menurut Gary Dessler [6] Dalam struktur HRM terdapat beberapa
posisi utama dengan fungsi spesifik:
1) Compensation and Benefits Manager: Mengembangkan dan
mengelola sistem kompensasi serta program tunjangan karyawan.
Mereka memastikan paket kompensasi kompetitif dan sesuai dengan
anggaran perusahaan, serta mengelola program asuransi, pensiun,
dan tunjangan lainnya.
2) Employment and Recruiting Supervisor: Mengawasi proses
perekrutan, seleksi, dan penempatan karyawan. Mereka bekerja
dengan manajer departemen untuk mengidentifikasi kebutuhan
tenaga kerja, mengembangkan strategi pencarian kandidat, dan
memastikan proses seleksi yang efektif.
3) Training
Specialist:
Merancang
dan
mengimplementasikan
program pelatihan dan pengembangan. Mereka menganalisis
kebutuhan pelatihan, mengembangkan materi, dan mengevaluasi
efektivitas
program
untuk
meningkatkan keterampilan dan
pengetahuan karyawan.
4) Employee Relations Executive: Mengelola hubungan antara
perusahaan
dan
karyawan,
termasuk
penanganan
keluhan,
penyelesaian konflik, dan pemeliharaan iklim kerja yang positif.
HRM juga memiliki tugas penting dalam organisasi perusahaan
Beberapa contoh tugas spesifik dalam HRM meliputi [6]:
1) Recruiters: Membangun jaringan dengan sumber kandidat,
melakukan screening awal, dan mengelola proses wawancara.
Mereka sering melakukan perjalanan untuk mencari kandidat
berkualitas dan merepresentasikan perusahaan di berbagai acara
rekrutmen.
2) EEO Representatives: Memastikan kebijakan ketenagakerjaan
mematuhi peraturan kesetaraan kesempatan kerja, menyelidiki
11
keluhan diskriminasi, dan mengembangkan program untuk
menciptakan lingkungan kerja yang inklusif.
3) Job Analysts: Mengumpulkan dan menganalisis informasi tentang
pekerjaan untuk mengembangkan deskripsi jabatan yang akurat,
spesifikasi pekerjaan, dan standar kinerja.
4) Labor Relations
Specialists:
Menjadi
penghubung
antara
manajemen dan serikat pekerja, mengelola negosiasi kontrak kerja,
dan memastikan kepatuhan terhadap perjanjian kerja bersama.
2.2.2 Human Resource Information System (HRIS)
Human Resource Information System (HRIS) adalah salah satu
cabang dari Human Resource Management (HRM) yang berfokus pada
penggunaan teknologi informasi dalam pengelolaan sumber daya
manusia [7].
Human Resource Information System (HRIS) adalah sistem
informasi berbasis teknologi yang digunakan untuk mengelola dan
mengoptimalkan proses manajemen sumber daya manusia dalam suatu
organisasi. HRIS dirancang untuk mengurangi beban kerja departemen
HR dengan mengotomatiskan berbagai fungsi, seperti perekrutan,
pelatihan, pengelolaan kinerja, administrasi kompensasi, hingga
kepatuhan terhadap regulasi ketenagakerjaan [7]. HRIS berfungsi
sebagai platform digital yang memungkinkan perusahaan untuk
mengelola data karyawan secara efisien dan mendukung berbagai aspek
operasional HR, berikut adalah
peranan dan fungsi HRIS Menurut Turban [7];
1) Perekrutan dan Seleksi
HRIS memungkinkan perusahaan untuk menemukan, merekrut, dan
menyeleksi kandidat yang sesuai dengan kebutuhan organisasi.
Dengan fitur pencarian lanjutan, HR dapat menyaring kandidat
berdasarkan kriteria tertentu seperti pengalaman kerja, keterampilan,
dan latar belakang pendidikan.
2) Pengelolaan Data Karyawan
12
Sistem ini menyediakan database terpusat yang menyimpan
informasi karyawan, termasuk data pribadi, riwayat pekerjaan,
pelatihan, dan evaluasi kinerja.
3) Pelatihan dan Pengembangan
HRIS mendukung pengelolaan program pelatihan, baik dalam
bentuk kursus daring, pelatihan langsung, maupun pengembangan
keterampilan berbasis kompetensi.
4) Manajemen Kinerja
Sistem ini memungkinkan HR untuk menilai dan mengelola kinerja
karyawan dengan lebih akurat melalui penilaian berbasis data dan
umpan balik berkala.
5) Administrasi Kompensasi dan Manfaat
HRIS membantu dalam pengelolaan penggajian, tunjangan, dan
manfaat lainnya, termasuk perhitungan pajak serta pemotongan gaji
yang sesuai dengan regulasi yang berlaku.
6) Kepatuhan terhadap Regulasi
HRIS membantu perusahaan dalam memastikan kepatuhan terhadap
berbagai undang-undang ketenagakerjaan, seperti Fair Labor
Standards Act (FLSA), Occupational Health & Safety Agencies
(OSHA), dan peraturan anti-diskriminasi.
Implementasi HRIS dalam Organisasi
Dengan perkembangan teknologi, HRIS kini banyak diadopsi
dalam bentuk intranet, memungkinkan karyawan untuk mengakses dan
mengelola informasi mereka sendiri, seperti data gaji, tunjangan, dan
kebijakan perusahaan. Hal ini memungkinkan HR untuk lebih fokus
pada tugas strategis seperti perencanaan tenaga kerja, pengembangan
karir, dan manajemen talenta [7].
HRIS juga berperan dalam mendukung perusahaan dalam
pengambilan keputusan berbasis data. Dengan analitik HR yang
terintegrasi, perusahaan dapat mengidentifikasi tren ketenagakerjaan,
mengukur tingkat kepuasan karyawan, serta meningkatkan efektivitas
strategi HR secara keseluruhan [7].
13
2.3 Rekrutment
2.3.1 Pengertian Rekrutment
Menurut Dessler [6], rekrutmen adalah proses pengumpulan
informasi yang relevan mengenai tugas-tugas pekerjaan dan karakteristik
manusia yang dibutuhkan untuk melaksanakan pekerjaan tersebut.
Definisi ini menekankan pentingnya analisis pekerjaan sebagai fondasi
dari rekrutmen, di mana pemahaman mendalam terhadap kebutuhan
suatu posisi menjadi faktor kunci.
Dalam konteks yang lebih luas, terutama terkait proses staffing,
rekrutmen sebagai upaya membangun sekumpulan kandidat yang
memenuhi syarat untuk mengisi posisi yang tersedia dalam organisasi.
Kedua definisi ini menunjukkan bahwa rekrutmen adalah proses yang
terstruktur dan berorientasi pada pemenuhan kebutuhan sumber daya
manusia organisasi. Pemahaman yang jelas mengenai tugas, tanggung
jawab, keterampilan, dan kualifikasi yang dibutuhkan harus dimiliki
sebelum proses rekrutmen dimulai agar organisasi dapat menarik
kandidat yang sesuai.
2.3.2 Tujuan Rekrutment
Berdasarkan buku Human Resource Management edisi ke-15 karya
Gary Dessler [6], terdapat beberapa tujuan utama dari rekrutmen:
1) Identifikasi Kebutuhan Tenaga Kerja – Melalui perencanaan dan
peramalan tenaga kerja, organisasi dapat menentukan posisi yang
perlu diisi, mengidentifikasi jumlah kandidat internal yang tersedia,
serta memperkirakan ketersediaan kandidat eksternal.
2) Penyaringan Awal – Memastikan bahwa para kandidat mengisi
formulir aplikasi dan menjalani proses seleksi awal guna
mengumpulkan informasi penting dan menyaring pelamar yang
tidak memenuhi persyaratan dasar.
3) Membangun Kumpulan Kandidat – Rekrutmen bertujuan untuk
menarik sejumlah pelamar yang memenuhi kualifikasi untuk posisi
yang telah diidentifikasi, baik dari dalam maupun luar organisasi.
14
4) Penggunaan Alat Seleksi yang Efektif – Berbagai metode
penilaian
digunakan
untuk
mengevaluasi
keterampilan,
pengetahuan, dan kemampuan para pelamar guna menentukan
kandidat terbaik.
5) Keputusan dan Penawaran Kerja – Setelah melalui serangkaian
wawancara dan evaluasi mendalam, organisasi menentukan kandidat
yang paling layak untuk diberikan tawaran pekerjaan.
Selain itu, rekrutmen juga bertujuan untuk menarik kandidat dari
kelompok tertentu (misalnya kelompok minoritas), menjangkau
kandidat pasif yang saat ini sudah bekerja, serta mengurangi waktu
internal yang dihabiskan untuk proses rekrutmen. Dengan merekrut
talenta terbaik, organisasi dapat meningkatkan daya saingnya dan
mencapai keunggulan kompetitif dalam dunia bisnis yang semakin
kompleks.
2.3.3 Proses Rekrutment
Proses rekrutmen menurut Buku Human Resource Management
oleh Gary Dessler [5] terdiri dari beberapa tahapan sistematis yang
bertujuan untuk memastikan bahwa organisasi memperoleh kandidat
yang tepat:
1) Perencanaan Tenaga Kerja dan Peramalan – Menentukan
kebutuhan tenaga kerja berdasarkan rencana bisnis organisasi, data
tenaga kerja saat ini, dan proyeksi kebutuhan masa depan.
2) Membangun Kumpulan Kandidat – Organisasi melakukan
rekrutmen dari sumber internal maupun eksternal sesuai dengan
kebutuhan dan strategi bisnis.
3) Penyaringan Awal – Kandidat yang berminat diminta mengisi
formulir aplikasi dan menjalani wawancara penyaringan awal untuk
mengidentifikasi kecocokan awal.
4) Penggunaan Alat Seleksi – Menggunakan berbagai alat seleksi
seperti tes kemampuan, tes kepribadian, investigasi latar belakang,
15
dan pemeriksaan fisik guna memastikan kesesuaian kandidat dengan
posisi yang tersedia.
5) Wawancara oleh Supervisor dan Pihak Terkait – Supervisor dan
tim
rekrutmen
melakukan
wawancara
lebih
lanjut
untuk
mengevaluasi keterampilan interpersonal, motivasi, dan kesesuaian
kandidat dengan budaya organisasi.
6) Keputusan dan Penawaran Kerja – Setelah melalui evaluasi
mendalam,
organisasi
memutuskan
kandidat
terbaik
dan
memberikan penawaran kerja resmi.
Melalui proses ini, organisasi dapat memastikan bahwa rekrutmen
dilakukan secara objektif dan profesional, sehingga hanya kandidat
terbaik yang dipilih untuk bergabung. Proses yang sistematis juga
membantu mengurangi kesalahan dalam seleksi, yang dapat berdampak
pada biaya rekrutmen yang tinggi akibat perputaran karyawan.
2.4 Hyperautomation
2.4.1 Definisi Hyperautomation
Menurut Pascal Bornet dalam bukunya "Intelligent Automation:
Welcome to the World of Hyperautomation" [8], hiperautomasi adalah
penggabungan berbagai teknologi canggih untuk mengotomatisasi
proses bisnis secara menyeluruh.
Hyperautomation juga meniru empat kemampuan utama manusia: visi,
eksekusi, bahasa, serta berpikir dan belajar. Setiap kemampuan ini
didukung oleh teknologi berbeda seperti Machine Learning (ML) untuk
pengambilan keputusan, Pemrosesan Bahasa Alami (NLP) untuk
pemahaman teks, dan Robotic Process Automation (RPA) untuk eksekusi
tugas.
Teknologi yang digunakan dalam hiperautomasi meliputi [8]:
1) Pembelajaran Mesin (ML): Memungkinkan sistem belajar dari
data dan membuat keputusan tanpa program eksplisit.
2) Pemrosesan Bahasa Alami (NLP): Memungkinkan mesin
memahami dan memproses bahasa manusia untuk analisis teks dan
interaksi chatbot.
3) Visi Komputer: Mengizinkan mesin menganalisis informasi visual
seperti gambar dan video.
16
4) Automasi Proses Robotik (RPA): Menggunakan bot perangkat
lunak untuk mengotomatisasi tugas yang berulang dan berbasis
aturan.
5) Platform Low-Code & Workflow Automation: Memudahkan
pembuatan alur kerja automasi dengan sedikit atau tanpa
pengkodean.
Hiperautomasi melampaui automasi tradisional dengan pendekatan
integratif, mengotomatisasi proses ujung ke ujung, dan menciptakan
sinergi antara manusia, organisasi, dan teknologi.
2.4.2 Tujuan Hyperautomation
Hiperautomasi memiliki beberapa tujuan utama dalam organisasi,
yaitu [8]:
1) Meningkatkan Efisiensi: Mengurangi pekerjaan manual dan
meningkatkan kecepatan proses bisnis.
2) Mengurangi Biaya Operasional: Automasi mengurangi kebutuhan
tenaga kerja manual untuk tugas-tugas rutin.
3) Meningkatkan Akurasi & Kualitas: Meminimalkan kesalahan
manusia dalam pemrosesan data dan pengambilan keputusan.
4) Mendukung Transformasi Digital: Mempermudah organisasi
dalam beradaptasi dengan teknologi baru.
5) Meningkatkan Pengalaman Karyawan & Pelanggan:
Mengurangi tugas repetitif bagi karyawan dan meningkatkan layanan
bagi pelanggan.
6) Skalabilitas & Fleksibilitas: Memungkinkan perusahaan untuk
menyesuaikan proses kerja secara lebih dinamis sesuai dengan
kebutuhan bisnis.
Dengan menganalisis data dalam jumlah besar, sistem ini dapat
mengidentifikasi pola, memberikan wawasan, dan meningkatkan
kualitas keputusan bisnis. Automasi tugas berulang juga membantu
mengurangi kesalahan manusia serta meningkatkan keandalan hasil.
Bornet [8] menekankan bahwa hiperautomasi bukan sekadar
menggantikan manusia dengan mesin, melainkan menciptakan sinergi
antara teknologi dan manusia untuk meningkatkan produktivitas.
Pendekatan berbasis kerangka kerja "Visi, Eksekusi, Bahasa, serta
Berpikir dan Belajar" ini memberikan pemahaman komprehensif tentang
bagaimana hiperautomasi dapat mereplikasi dan melengkapi fungsi
kognitif manusia untuk mendukung transformasi digital.
2.4.3 Proses Hyperautomation
Proses penerapan hiperautomasi dalam sebuah organisasi dapat
dijelaskan sebagai berikut [8]:
1) Identifikasi Proses yang Dapat Diautomasi
17
Memetakan tugas atau proses bisnis yang sering dilakukan secara
manual dan repetitif lalu menentukan area yang memiliki potensi
efisiensi tinggi jika diotomatisasi.
2) Pemilihan Teknologi yang Sesuai
Menggunakan kombinasi teknologi AI, ML, RPA, dan NLP untuk
menciptakan sistem hiperautomasi lalu menentukan alat yang
mendukung integrasi antara sistem yang berbeda dalam organisasi.
3) Pengembangan dan Implementasi Automasi
Mengembangkan solusi hiperautomasi berbasis kebutuhan
organisasi dan menguji sistem sebelum diterapkan secara penuh
untuk memastikan efektivitasnya.
4) Integrasi dengan Sistem yang Ada
Memastikan bahwa teknologi hiperautomasi dapat bekerja dengan
sistem bisnis yang sudah ada dan menghubungkan berbagai
platform agar data dapat diproses secara otomatis tanpa intervensi
manual.
5) Pemantauan dan Optimasi
Memantau kinerja sistem hiperautomasi dan memperbaiki
kelemahan yang muncul serta melakukan peningkatan berdasarkan
data analitik dan umpan balik dari pengguna.
2.5 Artificial Intelligence
2.5.1 Pengertian AI
Secara sederhana, [9] Kecerdasan Buatan (AI) adalah upaya untuk
menciptakan agen cerdas yaitu sistem (biasanya berupa program
komputer atau robot) yang dapat merasakan lingkungannya,
memproses informasi tersebut, dan kemudian bertindak sedemikian
rupa untuk mencapai tujuannya dengan sebaik mungkin. Bayangkan
sebuah entitas yang bisa melihat, mendengar, memahami, belajar, dan
mengambil keputusan, mirip dengan cara manusia berpikir dan
bertindak, tetapi dalam bentuk buatan. Fokus utama AI dalam pandangan
ini adalah membangun sistem yang bertindak secara rasional, yang
berarti mengambil tindakan yang paling mungkin untuk menghasilkan
hasil yang diinginkan, berdasarkan pengetahuan dan keyakinan yang
dimilikinya.
2.5.2 Tujuan Utama AI
Tujuan utama dari penelitian dan pengembangan AI adalah untuk
memungkinkan mesin melakukan tugas-tugas yang biasanya
membutuhkan kecerdasan manusia. Ini mencakup berbagai
kemampuan [9], seperti:
•
Belajar: Memperoleh informasi dan aturan untuk menggunakan
informasi tersebut.
18
•
Memecahkan Masalah: Menganalisis situasi dan menemukan
solusi yang efektif.
•
Membuat Keputusan: Memilih tindakan terbaik dari berbagai
pilihan yang tersedia.
•
Memahami Bahasa Alami: Mengerti dan memproses bahasa yang
digunakan oleh manusia.
•
Mengenali Pola: Mengidentifikasi keteraturan dan tren dalam data.
•
Persepsi: Melihat, mendengar, dan merasakan lingkungan seperti
manusia.
•
Berinteraksi: Berkomunikasi dan bekerja sama dengan manusia dan
agen cerdas lainnya.
Pada dasarnya, tujuan AI adalah [9] untuk menciptakan sistem yang
tidak hanya pintar dalam melakukan perhitungan, tetapi juga cerdas
dalam memahami dunia dan bertindak di dalamnya dengan cara yang
berguna dan efektif.
19
DAFTAR PUSTAKA
[1] S. Devaraju, “Natural Language Processing (NLP) in AI-Driven Recruitment
Systems,” Int. J. Sci. Res. Comput. Sci. Eng. Inf. Technol., pp. 555–566, Jun.
2022, doi: 10.32628/CSEIT2285241.
[2] S. K. Hatti, “Efficient Resume Screening Tool,” Int. J. Res. Appl. Sci. Eng.
Technol., vol. 13, no. 1, pp. 483–488, Jan. 2025, doi:
10.22214/ijraset.2025.66307.
[3] M. Saatci, R. Kaya, and R. Ünlü, “Resume Screening With Natural Language
Processing (NLP),” Alphanumeric J., vol. 12, no. 2, pp. 121–140, Dec. 2024,
doi: 10.17093/alphanumeric.1536577.
[4] U. Karaboga and P. Vardarlier, “Examining the use of artificial intelligence in
recruitment processes,” Bussecon Rev. Soc. Sci. 2687-2285, vol. 2, no. 4, pp.
1–17, Dec. 2020, doi: 10.36096/brss.v2i4.234.
[5] G.-G. Lee, E. Latif, X. Wu, N. Liu, and X. Zhai, “Applying large language
models and chain-of-thought for automatic scoring,” Comput. Educ. Artif.
Intell., vol. 6, p. 100213, Jun. 2024, doi: 10.1016/j.caeai.2024.100213.
[6] G. Dessler, Human resource management, Fifteenth Edition. Boston: Pearson
Higher Education, 2017. [Online]. Available:
https://drive.google.com/file/d/1wOB_suqlE6pCZl9QaAHggdeLgG54Rbo/view?usp=drive_link
[7] E. Turban, C. Pollard, and G. R. Wood, Information technology for
management: driving digital transformation to increase local and global
performance, growth and sustainability, Twelfth edition. Hoboken, New
Jersey: Wiley, 2021. [Online]. Available: https://drive.google.com/file/d/1JTGopMhHl5bC6y6Y8XQzPowJl6rgTET/view?usp=drive_link
[8] P. Bornet, I. Barkin, and J. Wirtz, Intelligent automation: welcome to the
world of hyperautomation: learn how to harness artificial intelligence to
boost business & make our world more human. Erscheinungsort nicht
ermittelbar: Independently published, 2020. [Online]. Available:
https://drive.google.com/file/d/1S2zcIjMKWN4H4Er1pSQMrxL_mzhFPAfk/
view?usp=sharing
[9] S. J. Russell and P. Norvig, Artificial intelligence: a modern approach, Fourth
edition, Global edition. in Prentice Hall series in artificial intelligence.
Boston: Pearson, 2022. [Online]. Available:
https://drive.google.com/file/d/13ik5rxU19NseyqEJMNXzioGO5Wxp32d5/vi
ew?usp=drive_link
20