Bagaimana Saya Mengintegrasikan LLM untuk Sistem Grading Otomatis di Proyek Minori AI RCR

Halo sesama developer! Di artikel ini, saya ingin cerita pengalaman nyata saat mengerjakan proyek Minori AI RCR. Tantangan utamanya adalah bagaimana mengimplementasikan sistem grading otomatis berbasis LLM untuk menyaring ribuan kandidat pemagang tanpa terjebak pada subjektivitas manusia yang kerap menyulitkan tim rekrutmen.

Sebagai seorang Full-stack & AI Integration Engineer, fokus saya selalu pada bagaimana membawa teknologi kecerdasan buatan keluar dari ranah eksperimen dan memasukkannya langsung ke dalam aplikasi web operasional yang nyata. Proyek ini memakan waktu pengerjaan selama 2 bulan dengan memanfaatkan kombinasi tech stack Laravel, React, FastAPI, MySQL, serta integrasi LLM.

Tantangan Seleksi Walk-in dan Subjektivitas Penilaian

Saat proses walk-in rekrutmen untuk PT Minori, pendaftar bisa datang dalam jumlah yang sangat banyak dalam waktu yang sangat singkat. Tim rekrutmen di lapangan harus memproses biodata dan hasil tes peserta satu per satu secara manual. Masalah terbesar dari metode konvensional ini adalah konsistensi.

Hasil penilaian sering kali berbeda-beda tergantung siapa penilainya atau bahkan dipengaruhi oleh kelelahan penilai setelah memeriksa puluhan berkas. Padahal, standar penyaringan kandidat pemagang harus adil dan objektif bagi semua peserta. Sistem yang saya bangun harus mampu memberikan penilaian yang konsisten untuk semua data masuk, sekaligus tetap sangat mudah dipahami dan digunakan oleh tim HR sehari-hari.

Pendekatan yang saya ambil dalam merancang solusi ini berfokus pada efisiensi alur kerja. Mulai dari pendaftaran awal hingga hasil akhir berupa grade yang siap disaring, semuanya digabungkan ke dalam satu ekosistem website yang terpadu agar tidak ada data yang terpecah-pecah di berbagai platform.

Arsitektur dan Alur Kerja Sistem Minori AI RCR

Untuk mewujudkan sistem yang handal, saya merancang arsitektur aplikasi yang memisahkan tugas pengelolaan antarmuka web dengan pemrosesan kecerdasan buatan. Laravel diandalkan sebagai kerangka kerja utama untuk menangani logika aplikasi web dan manajemen basis data MySQL, sementara FastAPI digunakan untuk membangun layanan backend yang menangani komunikasi bersama modul AI dan integrasi LLM.

• Peserta melakukan pendaftaran dan pengisian biodata langsung secara mandiri di halaman website.
• Peserta melanjutkan ke tahap pengerjaan tes online yang terintegrasi di dalam platform yang sama.
• Data biodata diri dan hasil tes dikirimkan ke backend untuk diproses secara komprehensif oleh modul AI.
• Sistem menghitung dan mengeluarkan satu grade akhir yang objektif dan terstandarisasi untuk setiap peserta.

Dengan alur seperti ini, peserta tidak perlu berpindah-pindah aplikasi, dan di sisi lain, tim rekrutmen mendapatkan keringanan beban kerja yang signifikan karena proses kalkulasi awal sudah dikerjakan oleh sistem di latar belakang.

Menerjemahkan Kriteria Penilaian ke Instruksi LLM

Bagian paling krusial dan menantang dari implementasi AI ini adalah bagaimana menerjemahkan aturan bisnis manusia ke dalam bentuk instruksi yang bisa dimengerti oleh model bahasa besar. Saya merancang rubrik penilaian AI yang ketat berdasarkan parameter biodata dan hasil tes peserta.

Prompt engineering memainkan peran vital di sini. Alih-alih memberikan instruksi yang longgar, saya menyusun system prompt yang mengarahkan LLM untuk membaca data secara terstruktur, membandingkannya dengan indikator kelayakan, dan mengeluarkan format respons yang konsisten.

Dengan pendekatan rubrik penilaian AI ini, variasi subjektivitas antar penilai manusia dapat diredam. Setiap peserta dievaluasi menggunakan parameter acuan yang persis sama, memastikan keadilan dalam proses seleksi awal pemagang.

Dashboard Rekrutmen dan Hasil Akhir

Setelah proses kalkulasi 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.

Tim HR dapat langsung membuka dashboard untuk memfilter, mengurutkan, dan melihat detail profil kandidat berdasarkan grade yang dihasilkan oleh sistem AI. Mereka tidak perlu lagi memeriksa dokumen satu per satu secara manual dari tumpukan berkas fisik atau spreadsheet yang berantakan.

Hasil dari proyek Minori AI RCR ini mencakup tiga poin utama: sistem grading yang sepenuhnya otomatis dari biodata dan hasil tes, grade yang langsung menjadi dasar filter utama bagi tim rekrutmen, serta penyatuan seluruh proses pendaftaran, tes, dan penilaian ke dalam satu website yang utuh.

Kesimpulan dan Pelajaran yang Bisa Dibawa

Mengintegrasikan LLM ke dalam aplikasi web operasional seperti Minori AI RCR membuktikan bahwa kecerdasan buatan bukan sekadar tren atau gimik teknologi, melainkan alat bantu yang sangat ampuh untuk menyelesaikan masalah dunia nyata.

Kunci keberhasilan dari sistem grading otomatis ini terletak pada ketepatan perancangan rubrik penilaian di dalam prompt dan pemilihan arsitektur tech stack yang tepat guna—menghubungkan kehandalan Laravel dengan kecepatan FastAPI. Bagi sesama developer yang ingin membangun sistem serupa, fokuslah pada pembersihan data masukan dan konsistensi instruksi sebelum menyerahkan proses kalkulasi kepada LLM.