Perbandingan Kinerja Sentence-BERT dan Universal Sentence Encoder untuk Penilaian Kesesuaian CV dan Job Profile pada Sistem Pendukung Keputusan HRD (Studi Kasus: Kalla Aspal)

Latar belakang. Proses screening CV secara manual pada perusahaan dengan volume pelamar tinggi cenderung memakan waktu dan rentan terhadap subjektivitas penilaian. Pendekatan semantic similarity berbasis sentence embedding menawarkan solusi otomatis yang mampu memahami makna kontekstual dokumen rekrutmen, tetapi dua model utama, yaitu Sentence-BERT (SBERT) dan Universal Sentence Encoder (USE), belum pernah dibandingkan secara langsung pada domain pencocokan CV dan Job Profile dalam konteks perusahaan Indonesia. Tujuan. Penelitian ini bertujuan membandingkan kinerja SBERT dan USE berdasarkan nilai Cosine similarity, waktu komputasi, dan enam metrik Information Retrieval (MRR, ARHR@5, nDCG@5, Precision@5, Recall@5, F1@5), serta mengimplementasikan model terbaik ke dalam Sistem Pendukung Keputusan rekrutmen berbasis website. Metode. Dataset terdiri atas 851 dokumen CV dan 26 Job Profile dari Kalla Aspal. Teks CV diekstraksi menggunakan PyMuPDF, kemudian dikelompokkan ke dalam tiga komponen penilaian, yaitu pendidikan (10%), pengalaman (40%), dan kemampuan (50%). Evaluasi dilakukan terhadap 95 dokumen Ground truth yang ditetapkan tim HRD. Hasil. SBERT mengungguli USE pada seluruh enam metrik, dengan nilai MRR 62.25%, nDCG@5 69.48%, dan Recall@5 93.68%, serta unggul pula dalam kecepatan komputasi. Model SBERT varian all-MiniLM-L6-v2 diimplementasikan ke dalam SPK berbasis Streamlit, dan pengujian Black-Box terhadap 17 skenario fungsional menunjukkan seluruh fitur berjalan tanpa kegagalan. Kesimpulan. SBERT memberikan kinerja terbaik pada seluruh aspek yang diukur dan mampu mendukung proses screening CV secara lebih cepat, objektif, dan efisien dibandingkan metode manual.