Implementasi Large Language Model dengan Pendekatan Self-RAG pada Dashboard Sistem Penilaian Wawancara (Studi Kasus: Seleksi Wawancara Local Project AIESEC in UNHAS)=Implementation of a Large Language Model Using a Self-RAG Approach in an Interview Assessment System Dashboard (Case Study: Local Project Interview Selection at AIESEC in UNHAS)

Proses seleksi wawancara manual pada rekrutmen berskala besar sering kali menghadapi kendala inefisiensi waktu dan subjektivitas penilai (interviewer bias). Penelitian ini bertujuan untuk mengembangkan sistem penilaian wawancara otomatis yang mampu memberikan skor dan umpan balik secara objektif dan transparan. Sistem dikembangkan menggunakan Large Language Model (LLM) Qwen-2.5-7B yang diintegrasikan dengan arsitektur Self-Reflective Retrieval Augmented Generation (Self-RAG). Pendekatan ini diterapkan untuk memitigasi masalah halusinasi pada model bahasa dengan cara mengambil acuan penilaian dari basis data vektor rubrik secara dinamis dan melakukan mekanisme koreksi diri (self-correction) sebelum menghasilkan penilaian akhir. Kinerja sistem dievaluasi melalui uji skenario pada 40 sampel jawaban kandidat yang divalidasi oleh pakar (Expert Judgment). Hasil evaluasi menunjukkan tingkat kesepakatan yang tinggi antara sistem dan ahli, dibuktikan dengan nilai Quadratic Weighted Kappa (QWK) sebesar 0,8454 yang tergolong dalam kategori Almost Perfect Agreement. Evaluasi komponen internal menunjukkan performa optimal dengan nilai Hit Rate dan Faithfulness mencapai 100%, mengindikasikan validitas penalaran yang kuat. Berdasarkan uji penerimaan pengguna, sistem memperoleh skor kelayakan sebesar 79,17% dengan kategori "Layak/Baik". Penelitian ini menyimpulkan bahwa sistem dapat diimplementasikan secara efektif sebagai "Asisten Cerdas" untuk tahap penyaringan awal (screening) guna meningkatkan efisiensi proses seleksi.