TL;DR
海 SEA AIBuru-buru? Minta SEA AI ringkasin artikel ini.
Pengalaman merancang rubrik penilaian berbasis LLM untuk menghilangkan subjektivitas rekrutmen walk-in ribuan kandidat pemagang 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 dengan prompt engineering 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.
Menerjemahkan Aturan Bisnis ke Instruksi LLM dengan Prompt Engineering
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.
- Membaca data biodata dan hasil tes secara terstruktur
- Membandingkan input dengan indikator kelayakan yang telah ditentukan
- Mengeluarkan format respons dan skor akhir yang konsisten
Melalui rancangan instruksi yang ketat ini, model tidak menebak-nebak hasil akhir, melainkan memproses data sesuai parameter acuan yang telah ditetapkan. Hal ini sangat penting agar hasil evaluasi dari sistem memiliki standar yang seragam untuk setiap berkas yang masuk.
Menghilangkan Subjektivitas Lewat Rubrik Penilaian AI
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.
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.
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.
Prompt engineering yang ketat mengubah instruksi bisnis yang abstrak menjadi standar evaluasi yang objektif dan konsisten bagi ribuan kandidat.