TL;DR
海 SEA AIBuru-buru? Minta SEA AI ringkasin artikel ini.
Pengalaman merancang arsitektur hybrid membagi tugas backend utama ke Laravel dan pemrosesan AI via FastAPI dalam waktu 2 bulan.
Halo sesama developer! Di artikel ini, saya ingin cerita pengalaman nyata saat mengerjakan proyek Minori AI RCR. Dalam membangun sistem ini, salah satu keputusan paling krusial yang saya ambil adalah menggunakan kombinasi laravel dan fastapi untuk membagi beban kerja aplikasi secara optimal. 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.
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 dari tumpukan berkas fisik maupun spreadsheet yang berantakan. Masalah terbesar dari metode konvensional ini adalah konsistensi penilaian yang sering kali bias dan memakan waktu berhari-hari hanya untuk melakukan penyaringan awal.
Melalui proyek yang memakan waktu pengerjaan selama 2 bulan ini, saya tertantang untuk merancang sebuah solusi terpadu. Tech stack yang digunakan mencakup Laravel, React, FastAPI, MySQL, serta integrasi LLM. Dengan kombinasi perkakas tersebut, seluruh proses seleksi dari pendaftaran hingga penilaian akhir dapat diotomatisasi secara transparan di dalam satu platform web yang responsif.
Memilih Arsitektur Hybrid: Menghubungkan Laravel dan FastAPI
Untuk mewujudkan sistem yang handal dan responsif, 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 secara keseluruhan, manajemen autentikasi pengguna, serta manajemen basis data MySQL yang menyimpan data transaksional.
Sementara itu, FastAPI digunakan untuk membangun layanan backend terpisah yang khusus menangani komunikasi bersama modul AI dan integrasi LLM. Pemisahan tugas ini memastikan bahwa prosesor web tidak mengalami hambatan performa saat modul kecerdasan buatan sedang melakukan kalkulasi teks yang berat. Kecepatan eksekusi Python pada FastAPI berpadu sangat baik dengan stabilitas ekosistem Laravel yang sudah sangat matang untuk pengembangan web enterprise.
Keputusan untuk membagi tugas ke dalam dua layanan backend ini terbukti efektif dalam menjaga skalabilitas sistem. Ketika ribuan data kandidat masuk secara bersamaan, antrean permintaan dapat dikelola dengan rapi tanpa mengorbankan pengalaman pengguna saat berselancar di halaman web.
Alur Kerja Sistem dari Pendaftaran hingga Grading Otomatis
Agar tidak ada data yang terpecah-pecah di berbagai platform berbeda, seluruh proses digabungkan ke dalam satu ekosistem website yang terpadu. Desain alur kerja ini dibuat sesederhana mungkin bagi para peserta agar mereka bisa fokus menyelesaikan seluruh rangkaian tes dengan baik.
- 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.
Setiap tahapan dirancang untuk meminimalisir celah human error. Ketika peserta menekan tombol kirim pada lembar jawaban mereka, sistem secara otomatis meneruskan paket data tersebut ke layanan FastAPI untuk dievaluasi berdasarkan rubrik penilaian yang sudah diprogram sebelumnya.
Penyajian Data di Dashboard Rekrutmen React
Setelah proses kalkulasi AI selesai di background dan data tersimpan rapi di database MySQL, 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. Setiap kandidat dievaluasi menggunakan parameter acuan yang persis sama, memastikan keadilan dalam proses seleksi awal pemagang tanpa perlu memeriksa dokumen satu per satu secara manual.
Melalui antarmuka dashboard ini, proses rekrutmen yang tadinya memakan waktu berminggu-minggu kini bisa dipangkas secara signifikan. Tim rekrutmen dapat langsung mengambil keputusan berdasarkan daftar peringkat kandidat yang sudah terkurasi secara objektif.
Kesimpulan dan Pelajaran Berharga
Proyek 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. Membagi tanggung jawab backend secara tepat terbukti membuat aplikasi AI kita jauh lebih mudah dipelihara dan diandalkan dalam jangka panjang.