SISTEM PREDIKSI KECOCOKAN KARIR PASCA STUDI BERBASIS RESUME SCREENING MENGGUNAKAN METODE RANDOM FOREST DAN SVM
DOI:
https://doi.org/10.35143/jkt.v12i1.6883Kata Kunci:
pembelajaran mesin, resume screening, support vector machine, random forestAbstrak
Fenomena education-job mismatch masih menjadi permasalahan serius bagi lulusan perguruan tinggi, di mana banyak individu bekerja pada bidang yang tidak selaras dengan latar belakang pendidikan dan kompetensinya. Proses penentuan karier juga umumnya masih bersifat subjektif dan belum memanfaatkan analisis data secara optimal. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem prediksi kecocokan karier pasca-studi berbasis resume screening menggunakan pendekatan machine learning. Metode yang digunakan melibatkan dua algoritma klasifikasi terawasi, yaitu Random Forest dan Support Vector Machine (SVM), dengan representasi fitur menggunakan TF-IDF berbasis n-gram pada dataset sebanyak 13.389 resume. Hasil penelitian menunjukkan bahwa kedua model mampu memberikan performa yang baik, namun SVM memberikan hasil yang lebih unggul dengan akurasi sebesar 84,39% dan F1-score sebesar 83,36%, dibandingkan Random Forest dengan akurasi 81,96%. Analisis feature importance menunjukkan bahwa kompetensi teknis, pengalaman kerja, dan bidang studi merupakan faktor utama yang mempengaruhi kecocokan karier. Penelitian ini memberikan kontribusi berupa pendekatan prediktif berbasis data untuk mendukung pengambilan keputusan karier yang lebih objektif bagi mahasiswa dan lulusan.Unduhan
Referensi
[1]. Z. Yonatan, “35% Pemuda RI Bekerja Tidak Sesuai Tingkat Pendidikan - GoodStats Data,” GoodStats Data, 2025. https://data.goodstats.id/statistic/35-pemuda-ri-bekerja-tidak-sesuai-tingkat-pendidikan-YyNTc (accessed Dec. 10, 2025).
[2]. Badan Pusat Statistik, “Keadaan Ketenagakerjaan Indonesia Februari 2025,” Badan Pusat Statistik Indonesia, Feb. 2025. Accessed: Dec. 10, 2025. [Online]. Available: https://www.bps.go.id/id/infographic?id=1112
[3]. I. Assylzhan, M. Muratbekova, D. Amangeldi, N. Oryngozha, A. Ogorodova, and P. Shamoi, “Intelligent System for Assessing University Student Personality Development and Career Readiness,” arXiv (Cornell University), Jan. 2023, doi: https://doi.org/10.48550/arxiv.2308.15620.
[4]. S. Jiang and Y. Guo, “Reasons for college major-job mismatch and labor market outcomes: Evidence from China,” China Economic Review, vol. 74, p. 101822, Aug. 2022, doi: https://doi.org/10.1016/j.chieco.2022.101822.
[5]. E. Senger, Y. Campbell, R. van der Goot, and B. Plank, “Toward more realistic career path prediction: evaluation and methods,” Frontiers in Big Data, vol. 8, Aug. 2025, doi: https://doi.org/10.3389/fdata.2025.1564521.
[6]. P. C. Siswipraptini, L. Hendric, A. Ramadhan, and W. Budiharto, “Personalized Career-Path Recommendation Model for Information Technology Students in Indonesia,” IEEE access, pp. 1–1, Jan. 2024, doi: https://doi.org/10.1109/access.2024.3381032.
[7]. S. H. Faruque, K. S. Akter, and S. Akter, “Unlocking Futures: A Natural Language Driven Career Prediction System for Computer Science and Software Engineering Students,” arXiv (Cornell University), May 2024, doi: https://doi.org/10.48550/arxiv.2405.18139.
[8]. H. A. Abdulkarem and A. M. Naeemah, “Between Specialization and Employment: The Dilemma of Placing Highly Educated Individuals in Irrelevant Fields,” Al-Ghary Journal of Economic and Administrative Sciences, vol. 20, no. 4, pp. 402–426, Dec. 2024, doi: https://doi.org/10.36325/ghjec.v20i4.17420.
[9]. M. Zahran, “Pendidikan Tinggi, Upah Rendah: 35% Pekerja Muda Salah Jurusan,” CNBC Indonesia, Nov. 04, 2025. https://www.cnbcindonesia.com/research/20251104154304-128-682220/pendidikan-tinggi-upah-rendah-35-pekerja-muda-salah-jurusan (accessed Dec. 11, 2025).
[10]. A. de, Y. Muñoz, P. Castro, and J. L. Arroyo, “Gamificación, estrategia compartida entre universidad, empresa y millennials,” Red U, vol. 17, no. 2, pp. 73–73, Dec. 2019, doi: https://doi.org/10.4995/redu.2019.11479.
[11]. T. K, U. V, S. M. Kadiwal, and S. Revanna, “Design and Development of Machine Learning based Resume Ranking System,” Global Transitions Proceedings, vol. 3, no. 2, Oct. 2021, doi: https://doi.org/10.1016/j.gltp.2021.10.002.
[12]. M. Saatci, R. Kaya, and R. Ünlü, “Resume Screening With Natural Language Processing (NLP),” Alphanumeric Journal, vol. 12, no. 2, Dec. 2024, doi: https://doi.org/10.17093/alphanumeric.1536577.
[13]. S. Sheikh, P. Adep, N. Aidasani, S. Chavan, and V. Darade, “AI-Powered Resume Ranking System: Enhancing Recruitment Efficiency through Natural Language Processing,” International Journal for Research Trends and Innovation, vol. 10, no. 5, 2025.
[14]. A. Wakade, A. Wakde, R. Maywade, A. Pandey, J. Kumar, and A. K. Singh, “An Ensemble Learning Based Career Prediction Model,” Lecture notes in networks and systems, pp. 503–512, Jan. 2024, doi: https://doi.org/10.1007/978-3-031-60935-0_45.
[15]. M. Sheykhmousa, M. Mahdianpari, H. Ghanbari, F. Mohammadimanesh, P. Ghamisi, and S. Homayouni, “Support Vector Machine Versus Random Forest for Remote Sensing Image Classification: A Meta-Analysis and Systematic Review,” IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 13, pp. 6308–6325, 2020, doi: https://doi.org/10.1109/jstars.2020.3026724.
[16]. J. T. Iorzua, T. Moses, C. I. Eke, O. J. Agushaka, D. K. Kwaghtyo, and T. Godswill, “A Machine Learning Based Approach to Course and Career Recommendation System: A Systematic Literature Review,” Journal of Computing Theories and Applications, vol. 3, no. 1, pp. 1–16, Jun. 2025, doi: https://doi.org/10.62411/jcta.12603.
[17]. A. S. Chauhan and H. M. Henrietta, “Machine Learning Basics: A Comprehensive Guide. A Review,” Babylonian Journal of Machine Learning, pp. 31–34, Jun. 2023, doi: https://doi.org/10.58496/bjml/2023/006.
[18]. M. Nawaz and N. Amin, “Machine Learning Framework for Career Prediction and Entrepreneurial Development,” preprints, Nov. 2025, doi: https://doi.org/10.20944/preprints202511.1625.v1.
[19]. G. Sai, M. L. Pandala, D. T. Veeranki, and P. Kumbha, “Carrer Compass: A Career Path Recommender using Machine Learning,” 2024 5th International Conference on Electronics and Sustainable Communication Systems (ICESC), pp. 1937–1941, Aug. 2024, doi: https://doi.org/10.1109/icesc60852.2024.10689897.
[20]. B. Thomas and A. K. John, “Machine Learning Techniques for Recommender Systems – A Comparative Case Analysis,” IOP Conference Series: Materials Science and Engineering, vol. 1085, no. 1, p. 012011, Feb. 2021, doi: https://doi.org/10.1088/1757-899x/1085/1/012011.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2026 Jurnal Komputer Terapan
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Penulis yang mempublikasikan naskah pada jurnal ini setuju tentang hal-hal berikut ini:
- Penulis memegang hak cipta untuk proses, prosedur, atau artikel yang dideskripsikan pada naskah dan memberikan hak kepada jurnal untuk pertama kali mempublikasikan naskah dibawah Creative Commons Attribution License yang memperbolehkan orang lain untuk menyebarkan hasil penelitian dengan pengakuan hak cipta penulis dan jurnal.
- Penulis memegang hak untuk mempublikasikan kembali semua atau sebagian hasil penelitian pada naskah lain tetapi tidak memberikan hak kepada pihak ketiga lain untuk mencetak dan mempublikasikan ulang hasil penelitian yang sama.
- Penulis diperbolehkan dan disarankan untuk menginformasikan naskah yang telah terbit secara online (seperti pada repository institusi atau website milik penulis) yang akan meningkatkan produktivitas rujukan dan sitasi dari naskah yang telah terbit.
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-NonKomersial-BerbagiSerupa 4.0 Internasional.
