TL;DR
海 SEA AIBuru-buru? Minta SEA AI ringkasin artikel ini.
Bagaimana integrasi alur kerja LLM pada proyek Minori AI RCR membantu memangkas subjektivitas dan mengotomatisasi penilaian ribuan kandidat pemagang.
Proses seleksi kandidat dalam skala besar, khususnya pada acara rekrutmen walk-in, sering kali dihadapkan pada tantangan berat berupa subjektivitas dan inkonsistensi penilaian. Ketika ribuan calon pemagang mendaftar dalam waktu yang sangat singkat, menjaga kriteria kelolosan yang benar-benar adil dan seragam menjadi pekerjaan yang sangat menguras fisik maupun mental tim rekrutmen.
Untuk menyelesaikan permasalahan nyata ini, saya membangun alur kerja LLM pada sistem Minori AI RCR. Sebagai seorang Full-stack & AI Integration Engineer, fokus utama saya selalu pada bagaimana membawa teknologi kecerdasan buatan keluar dari sekadar ranah eksperimen atau gimik belaka, lalu menanamkannya secara utuh ke dalam aplikasi web operasional yang siap pakai.
Dalam proyek yang memakan waktu pengerjaan selama 2 bulan ini, saya merancang ekosistem web yang mampu memproses pendaftaran, tes, hingga kalkulasi grade kandidat secara otomatis. Hasilnya, tim HR tidak lagi bergantung pada pengecekan manual yang lambat dan rentan bias.
Tantangan Seleksi Walk-in dan Subjektivitas Penilaian Manual
Saat proses walk-in rekrutmen untuk PT Minori berlangsung, kandidat pendaftar bisa datang dalam jumlah yang sangat banyak dalam waktu singkat. Pada metode konvensional, tim rekrutmen di lapangan harus memproses biodata serta mengoreksi hasil tes peserta satu per satu secara manual.
Proses manual ini biasanya mengandalkan tumpukan berkas fisik atau berkas spreadsheet yang sangat berantakan. Masalah terbesar dari pendekatan konvensional ini adalah konsistensi penilaian. Ketika penilai sudah memeriksa puluhan atau ratusan berkas dalam sehari, faktor kelelahan fisik dan kondisi emosional tim lapangan sangat mudah mempengaruhi standar kelolosan.
Akibatnya, penilaian menjadi bervariasi dan memunculkan subjektivitas yang tidak diinginkan. Penilaian awal yang seharusnya murni berbasis kriteria objektif malah berpotensi merugikan kandidat maupun perusahaan.
Mengintegrasikan Alur Kerja LLM dalam Ekosistem Web
Melihat kendala operasional tersebut, solusi mendasar yang dibutuhkan adalah menyatukan seluruh proses pendaftaran, pelaksanaan tes, hingga tahap penilaian ke dalam satu ekosistem web terpadu. Untuk mewujudkan hal ini, saya membangun arsitektur aplikasi menggunakan kombinasi teknologi Laravel, React, FastAPI, MySQL, serta integrasi LLM.
Dalam alur sistem ini, peserta mendaftar dan mengisi biodata secara langsung melalui antarmuka web, kemudian melanjutkan untuk mengerjakan tes secara digital. Begitu jawaban tes dikirimkan, data tersebut diolah secara otomatis di background service. FastAPI bertindak sebagai jembatan yang menghubungkan aplikasi utama dengan Large Language Model (LLM).
LLM ditugaskan untuk mengolah biodata dan hasil tes kandidat menjadi satu nilai grade akhir berdasarkan parameter acuan yang persis sama melalui prompt engineering yang presisi. Karena menggunakan kriteria baku yang telah ditetapkan, setiap kandidat dinilai dengan tolok ukur yang setara tanpa dipengaruhi oleh faktor subjektivitas penilai manusia.
# Contoh konseptual pemrosesan grade otomatis pada FastAPI service
from fastapi import FastAPI, BackgroundTasks
from pydantic import BaseModel
app = FastAPI()
class CandidateSubmission(BaseModel):
candidate_id: str
biodata: dict
test_answers: dict
@app.post("/api/v1/grade-candidate")
async def process_grading(data: CandidateSubmission, background_tasks: BackgroundTasks):
# Menjadwalkan evaluasi LLM secara asinkron di background
background_tasks.add_task(evaluate_with_llm, data.candidate_id, data.biodata, data.test_answers)
return {"status": "processing", "candidate_id": data.candidate_id}
Pemrosesan secara asinkron ini memastikan bahwa ribuan kandidat yang mengirimkan data bersamaan tidak membuat aplikasi web menjadi lambat. Setelah LLM selesai mengkalkulasi skor, nilai akhir tersebut disimpan langsung ke database MySQL untuk kebutuhan penyaringan lebih lanjut.
Penerapan Konsep AI Chatbot untuk Filtering Kandidat Skala Besar
Selain kalkulasi grade otomatis, penanganan volume pendaftar yang terus membengkak memerlukan mekanisme interaksi dan penyaringan awal yang lebih adaptif. Di sinilah konsep AI chatbot memainkan peran strategis untuk menyaring ratusan ribu data kandidat secara efisien.
Dengan memanfaatkan AI chatbot berbasis LLM sebagai garda terdepan interaksi, proses screening awal seperti verifikasi kelengkapan berkas, validasi kualifikasi dasar, hingga wawancara pendahuluan singkat dapat dilakukan secara conversational dan terstruktur. Chatbot dapat secara proaktif menanyakan detail yang kurang dari biodata kandidat sebelum data tersebut masuk ke tahap kalkulasi grade akhir.
Integrasi AI chatbot ini memungkinkan sistem mengolah dan memfilter ratusan ribu data kandidat secara instan, memisahkan kandidat yang memenuhi kualifikasi dari yang tidak, sehingga tim rekrutmen hanya perlu berinteraksi dengan kandidat yang telah tervalidasi secara otomatis.
Dashboard Rekrutmen Interaktif Berbasis Grade Otomatis
Setelah proses kalkulasi dan filtering AI selesai di background dan data tersimpan rapi di database, langkah berikutnya adalah menyajikannya ke antarmuka pengguna yang fungsional. Di bagian frontend, saya menggunakan React untuk membangun dashboard rekrutmen yang interaktif dan responsif.
Melalui dashboard ini, tim HR PT Minori dapat langsung menyaring, mengurutkan, dan melihat detail profil kandidat berdasarkan grade yang telah dihasilkan oleh sistem AI. Mereka tidak perlu lagi memeriksa dokumen satu per satu secara manual dari tumpukan berkas fisik atau spreadsheet yang berantakan.
Integrasi sistem ini mengubah alur kerja rekrutmen secara mendasar: dari yang tadinya memeriksa tumpukan berkas fisik satu per satu, menjadi proses penyaringan berbasis data yang transparan dan instan melalui dashboard.
Penerapan sistem pada Minori AI RCR memberikan tiga hasil utama bagi proses operasional rekrutmen:
- Sistem grading yang sepenuhnya otomatis dari pengolahan biodata dan hasil tes kandidat.
- Grade akhir dari AI langsung menjadi dasar filter utama bagi tim rekrutmen untuk menentukan prioritas kandidat.
- Penyatuan seluruh proses pendaftaran, pelaksanaan tes, dan penilaian ke dalam satu website yang utuh.
Grade yang dihasilkan oleh AI kini berfungsi sebagai tolok ukur utama yang objektif. Hal ini membuat tim rekrutmen di lapangan bisa fokus pada wawancara dan tahap seleksi lanjutan untuk kandidat-kandidat yang memang sudah memenuhi kriteria acuan.
Pelajaran dari Otomatisasi Penilaian AI
Pengalaman selama 2 bulan mengembangkan proyek Minori AI RCR memberikan pelajaran berharga mengenai penerapan AI dalam sistem produksi. Mengintegrasikan LLM ke dalam aplikasi web operasional membuktikan bahwa kecerdasan buatan bukan sekadar tren teknologi, melainkan solusi nyata untuk memangkas kelelahan operasional dan bias penilaian.
Dengan menggabungkan kekuatan backend Laravel dan FastAPI, efisiensi database MySQL, keandalan frontend React, serta fleksibilitas evaluasi LLM, alur kerja rekrutmen massal yang kompleks dapat disederhanakan secara signifikan. Yang terpenting, keadilan dan konsistensi dalam proses seleksi awal pemagang dapat selalu terjaga secara terukur.