TUGAS SOFTSKILL TERJEMAHAN JURNAL
“DATA DRIVEN HR”
NAMA KELOMPOK :
1. DENNY CHANDITYA MAHENDRA(51416825)
2. GEMA THAREQ ABDAT (52416993)
3. M.NAJIB MUSYAFA (54416465)
4. RAHMAT KRISHARTANTO (58416452)
Data-driven HR
(SDM berbasis data Resume ́ Analisis Berdasarkan
Pemrosesan Bahasa Alami dan Pembelajaran Mesin)
Tim
Zimmermann
Hasso
Plattner Institute Potsdam, Germany tim.zimmermann@student.hpi.de
Leo
Kotschenreuther
SAP
Labs
Palo Alto, USA l.kotschenreuther@sap.com
Karsten
Schmidt
SAP
Labs
Palo Alto, USA karsten.schmidt01@sap.com
Perekrut biasanya
menghabiskan waktu kurang dari satu menit untuk melihat masing-masing risiko
ketika memutuskan apakah perlu melanjutkan proses rekrutmen dengan kandidat.
Perekrut fokus pada kata kunci, dan hampir tidak mungkin untuk menjamin proses
pemilihan kandidat yang adil. Ruang lingkup utama dari makalah ini adalah untuk
mengatasi masalah dengan memperkenalkan pendekatan berbasis data yang
menunjukkan bagaimana memproses kembali secara otomatis dan memberi lebih
banyak waktu bagi perekrut untuk memeriksa kandidat yang menjanjikan. Selain
itu, kami menunjukkan cara memanfaatkan Pembelajaran Mesin dan Pemrosesan
Bahasa Alami untuk mengekstraksi semua informasi yang diperlukan dari resume.
Setelah informasi diekstraksi, skor peringkat dihitung. Skor tersebut
menggambarkan seberapa baik kandidat cocok berdasarkan pendidikan, pengalaman
kerja dan keterampilan mereka. Nantinya makalah ini menggambarkan aplikasi
prototipe yang menunjukkan bagaimana pendekatan baru ini dapat meningkatkan
produktivitas perekrut. Aplikasi ini memungkinkan mereka untuk menyaring dan
memeringkat kandidat berdasarkan deskripsi pekerjaan yang telah ditentukan.
Dipandu oleh peringkat, perekrut bisa mendapatkan wawasan yang lebih dalam dari
profil kandidat dan memvalidasi mengapa dan bagaimana aplikasi membuat
peringkat mereka. Aplikasi ini menunjukkan bagaimana meningkatkan proses
perekrutan dengan memberikan dukungan keputusan perekrutan yang tidak bias. (Perekrut biasanya menghabiskan waktu kurang dari satu
menit untuk melihat masing-masing risiko ketika memutuskan apakah perlu
melanjutkan proses rekrutmen dengan kandidat. Perekrut fokus pada kata kunci,
dan hampir tidak mungkin untuk menjamin proses pemilihan kandidat yang adil.
Ruang lingkup utama dari makalah ini adalah untuk mengatasi masalah ini dengan
memperkenalkan pendekatan berbasis data yang menunjukkan bagaimana memproses
kembali secara otomatis dan memberi lebih banyak waktu bagi perekrut untuk
hanya memeriksa kandidat yang menjanjikan. Selain itu, kami menunjukkan cara memanfaatkan
Pembelajaran Mesin dan
Pemrosesan Bahasa Alami
untuk mengekstraksi semua informasi yang diperlukan dari resume. Setelah
informasi diekstraksi, skor peringkat dihitung. Skor tersebut menggambarkan
seberapa baik kandidat cocok berdasarkan pendidikan, pengalaman kerja dan
keterampilan mereka. Nantinya makalah ini menggambarkan aplikasi prototipe yang
menunjukkan bagaimana pendekatan baru ini dapat meningkatkan produktivitas
perekrut. Aplikasi ini memungkinkan mereka untuk menyaring dan memeringkat
kandidat berdasarkan deskripsi pekerjaan yang telah ditentukan. Dipandu oleh
peringkat, perekrut bisa mendapatkan wawasan yang lebih dalam dari profil
kandidat dan memvalidasi mengapa dan bagaimana aplikasi membuat peringkat
mereka. Aplikasi ini menunjukkan bagaimana meningkatkan proses perekrutan
dengan memberikan dukungan keputusan perekrutan yang tidak bias.)
1.
Motivasi
Data driven HR adalah trend saat ini di departemen SDM untuk
menggantikan gagasan usang tentang fungsi dukungan dan mengubah SDM menjadi
konselor proaktif dan mitra pendidikan dalam lingkungan perusahaan. Terutama,
'perang untuk bakat' dan jumlah aplikasi untuk posisi terbuka mengarah ke
dimensi baru dalam memproses profil kandidat dan menemukan kecocokan terbaik
[1]. Perekrut dan perekrutan.
Manajer dapat dengan mudah
menjadi bias atau tidak sengaja menerapkan ‘filter’ pada kandidat tanpa harus
melengkapinya 360◦ melihat seorang kandidat. Apalagi ketika memiliki
banyak profil dan banyak posisi untuk mengisi, masalah yang sesuai
kandidat internal dan eksternal adalah melipatgandakan upaya yang diperlukan.
kanditdat dapat dengan mudah dibanjiri pesan perekrutan via online.
1. E.g., hanya mencari kata kunci atau gelar tertentu; dan
pengetahuan domain yang hilang
untuk mengisi posisi
Gambar 1. Dari Dokumen ke Informasi: Pertama kita mengonversi
dokumen PDF ke HTML.Berdasarkan pada struktur HTML, tata letak, dan konten,
kami mengidentifikasi bagian(pribadi, pengalaman kerja, pendidikan dan
keterampilan) menggunakan classifier ML yang sudah dilatih sebelumnya.
Saluran. Ini penting, karena menurut Erica Breuer, konsumsi
khusus masih merupakan cara paling efektif untuk melamar pekerjaan [2].
informasi ini dibanjiri mungkin merupakan salah satu alasan, mengapa perekrutan
sering mengabaikan kandidat yang tidak secara tegas untuk melamar posisi secara
aktif.
mereka Memiliki alat yang tepat untuk secara objektif untuk
menilai dan memberi peringkat
kandidat dapat membantu
a) menemukan yang terbaik menyesuaikan dan
b) proses lebih banyak kandidat potensial.
Dalam prototipe penelitian ini, kami memanfaatkan teknologi
canggih saat ini dalam
pemrosesan bahasa alami (NLP) dan mesin pembelajaran(ML) untuk
menjelaskan bagaimana SDM berbasis data dapat secara signifikan meningkatkan
kualitas dan kecepatan seluruh proses perekrutan.
2. Dari Dokumen ke Informasi
Sebagian
besar pencari kerja harus menyediakan beberapa dokumen untuk membuktikan pendidikan
mereka, pekerjaan mereka kelayakan, sertifikat bahasa, pelatihan resmi, dan penilaian
kembali yang menyatakan pengalaman kerja sebelumnya, pendidikan, penghargaan,
keterampilan dan banyak lagi.
Kami mengamati bahwa sebagian besar konsumsi disediakan sebagai
dokumen PDF dan memanfaatkan sifat terstruktur alami mereka. Karena, ekstraksi
teks sederhana (mis., Pdf2teks xpdf [3]) dapat terjadi
2. Pemburu pekerjaan di portal online, seperti linkedin sebagian
besar berfokus pada para
profesional
3. Eksternal - di luar organisasi
arXiv: 1606.05611v2 [cs.CL] 21 Jun 2016
Gambar 2. Peta ini menunjukkan kelompok keterampilan terkait
yang diturunkan
menggunakan kata-embedding [4]. Setiap titik mewakili keterampilan
tertentu, pewarnaan mewakili kelompok keterampilan yang berbeda.
dalam segmen campuran ini (lihat Gambar 1), meningkatkan tata
letak informasi sangat
penting. Untuk mengidentifikasi semua entitas dengan benar dalam
melanjutkan segment,kami menggunakan prosesor khusus segmen. Misalnya, setelah
kami mengidentifikasi bagian pribadi atau bagian keterampilan, kami
menginstruksikan pipa pemrosesan sesuai. Untuk segmentasi kami mengidentifikasi
berita utama, mengekstrak jenis informasi penentuan posisi, kata kunci, dan
spasi. Setelah itu adalah membagi classifier yang sudah dilatih sebelumnya
untuk membantu mengidentifikasi bagian dengan benar dan mengarahkannya ke
prosesor yang tepat.
Setiap prosesor menggunakan Named Entity Recognition (NER) untuk
memberi label lokasi, institut, nama, judul, dan informasi tanggal. Mengingat
banyaknya variasi ejaan tanggal, langkah ekspresi reguler terpisah diperlukan
untuk menormalkannya. Misalnya, 'Musim Panas 2015', 'Sekarang / Sekarang' atau
'2004,10 - 2005,9' adalah beberapa contoh non-standar yang akan diganti dengan
bentuk normal 'mm / dd / yyyy' atau jenis durasi masing-masing.
Saat memeriksa segmen seperti pengalaman kerja, kami menerapkan
kembali logika segmentasi untuk dipisah menjadi langkah karier individu sebelum
memberi label pada majikan, tanggal, dan peran.
Untuk memastikan kualitas yang konsisten, kombinasi NLP / ML dan
aturan yang jelas membantu memberi label pengalaman pendidikan. Identifikasi
derajat didasarkan pada bacheor, master, peringkat doktor yang dinormalisasi
dengan toleransi variasi ejaan tertentu. Sebaliknya, identifikasi segmen hanya
berdasarkan klasifikasi ML.
4,Kami menggunakan berbagai model SVM, RF, DT dan membandingkan
kinerjanya
Akhirnya, bagian
keterampilan membutuhkan proses yang disesuaikan juga. Kami melakukan
pra-pelatihan model kejadian keterampilan menggunakan penyisipan kata [4]
berdasarkan pada kumpulan besar profil 800 k. Untuk validasi dan visualisasi
yang mudah, kami mengurangi dimensi tinggi dari seratus menjadi dua menggunakan
Stochastic Neighbourhood Embedding (t-SNE [5]) dan cluster yang diidentifikasi secara
otomatis (lihat Gambar 2) dari keterampilan terkait.
Seluruh
pipeline pra-pemrosesan mengubah dokumen resume menjadi seperangkat entitas
informasi terstruktur yang dapat dengan mudah diproses.
3.
Dari Informasi ke Pengetahuan
Tujuannya adalah untuk mendapatkan
gambaran lengkap tentang kecocokan kandidat dengan posisi pekerjaan tertentu.
Karena itu, kita perlu menggabungkan berbagai dimensi informasi, seperti
keterampilan, pendidikan, dan pengalaman kerja. Di bagian ini kami akan
menunjukkan bagaimana kami mengukur kecocokan pada setiap dimensi dan bagaimana
kami dapat menggabungkan mereka untuk mendapatkan skor peringkat akhir yang
mewakili kecocokan kandidat..
3.1
Mencetak
Dalam
prototipe kami, setiap kandidat diberikan skor antara 0 dan 100 yang mengindikasikan
kecocokannya dengan deskripsi pekerjaan yang diberikan. Skor tersebut adalah
rata-rata tertimbang dari tiga kategori: pendidikan, pengalaman kerja, dan
keterampilan. Secara salah, skor keterampilan dua kali lebih penting dari dua
lainnya.
3.2.
pendidikan
Skor
pendidikan didasarkan pada gelar akademik serta peringkat universitas. Untuk
peringkat universitas kami menggunakan: Times Higher Education [6] dan QS [7].
Keduanya termasuk skor antara 0 dan 100, dengan 100 sebagai yang terbaik. Kami menggunakan
rata-rata dari kedua skor. Jika universitas tidak terdaftar dalam salah satu
dari peringkat-peringkat ini, nilainya untuk peringkat tersebut dianggap 0.
Kami tahu bahwa ini mungkin tidak adil, tetapi hampir semua universitas yang
kami periksa untuk prototipe kami hadir di setidaknya satu peringkat. Secara
default, skor gelar adalah angka konstan: 20 (Sarjana), 35 (Master) atau 50
(Doktor). Jumlah skor derajat dan skor peringkat universitas mengarah ke skor
pendidikan akhir. Perhatikan, bahwa untuk penilaian hanya universitas dan gelar
terbaru yang diperhitungkan alih-alih yang sebelumnya. Salah satu alasannya
adalah bahwa jenis sekolah tertentu, mis., Sekolah Menengah, tidak
dipertimbangkan untuk peringkat universitas yang akan menghasilkan skor 0.
Akhirnya, kandidat dengan banyak entri mungkin memiliki beberapa skor rendah
(atau nol). Alternatifnya adalah memiliki bobot yang lebih halus berdasarkan
durasi / gelar dan bahkan kursus yang diambil jika tersedia atau hanya
mempertimbangkan pencetak gol 'top'. Namun demikian, tujuan dari prototipe
adalah untuk menunjukkan bagaimana data eksternal dapat secara objektif
meningkatkan penilaian tentang kualitas pendidikan.
3.3.
Pengalaman kerja
Skor
kedua kami adalah untuk pengalaman kerja yang tergantung pada durasi kerja
serta pada skor pemberi kerja. Selain itu, semakin baru pekerjaan, semakin
banyak pekerjaan ini berkontribusi pada skor pengalaman kerja. Untuk
penyederhanaan, setiap bulan pengalaman bernilai satu poin.
Sangat
sulit untuk memberi peringkat pada pemberi kerja. Bukan hanya karena kurangnya
data untuk masing-masing dan setiap perusahaan di luar sana (terutama pemula
dan UKM), tetapi juga karena tidak ada kriteria tunggal untuk memeringkat
mereka. Selain itu, seberapa banyak kriteria peringkat seperti 'pendapatan'
atau 'jumlah karyawan' mendukung kecocokan dan tingkat pengalaman individu.
Untuk memiliki setidaknya beberapa metrik 'kualitas' perusahaan di peringkat
kami, kami mengandalkan selektivitas majikan sebelumnya dalam perekrutan. Kami
menggunakan set pelatihan profil 800 k yang diperkenalkan di Bagian 2 untuk
mengevaluasi kemajuan karir karyawan berdasarkan atasan mereka saat ini. Karena
kami tidak memiliki cukup data untuk memperhitungkan karier lengkap, kami
mengambil skor pendidikan rata-rata karyawannya sebagai skor pemberi kerja.
Skor akhir adalah jumlah poin pengalaman dan rata-rata skor majikan tertimbang.
Terbatas hingga 100 poin.
3.4.
Keterampilan
Skor
keterampilan adalah skor rata-rata dari semua keterampilan yang diinginkan.
Untuk menghitung skor keterampilan tertentu, kami mencocokkan keterampilan
dengan keterampilan yang ditetapkan kandidat. Untuk setiap keterampilan
kandidat, jarak (lihat Bagian 2) ke keterampilan yang diinginkan dihitung.
5.
Untuk THE 100 berarti 'sempurna' dan untuk QS 100 berarti 'pertama'
Gambar
3. Berbagai cara untuk penyaringan kandidat: pengalaman kerja minimal selama
bertahun-tahun, gelar sarjana terkini dan campuran keterampilan yang
diinginkan.
keterampilan
dengan jarak terpendek diidentifikasi. Skor untuk keterampilan yang diinginkan
ini dihitung sebagai berikut:
skor
= scorematch - jarak α ∗
(1)
score = scorematch − α ∗ distance (1)
Scorematch adalah nilai konstan, yang mencerminkan skor untuk keterampilan
pencocokan jarak yang cepat
Keahlian lain didasarkan pada hukuman jarak yang diatur oleh parameter α.
4. Aplikasi Prototipe
Untuk
merasakan potensi aplikasi kami, kami membangun sebuah prototipe yang
memungkinkan penyaringan, peringkat, dan perbandingan kandidat. Dalam [8] kami
membuat tampilan yang menunjukkan semua kemampuan utama. 4.1. Kandidat
Pemeringkatan Calon ditugaskan beberapa skor seperti yang dijelaskan dalam
Bagian 3.1. Skor ini digunakan untuk mengurutkannya berdasarkan peringkat dalam
berbagai visualisasi (lihat Bagian 4.3) dari kandidat. Entah peringkat
keseluruhan tertimbang dapat diterapkan atau peringkat terfokus berdasarkan
pada keterampilan individu, pendidikan, atau pengalaman kerja.
4.2 Menyaring Kandidat
Untuk
menyaring kandidat, pengguna6 memiliki opsi yang berbeda (lihat Gambar 3). Satu
opsi adalah untuk memfilter menurut derajat yang diperlukan. Pilihan lain
adalah menentukan jumlah minimum tahun pengalaman kerja. Catatan, pemfilteran
tidak memengaruhi penilaian, itu hanya membantu mengurangi ukuran kumpulan
kandidat. Pengguna juga dapat memilih ensemble skill untuk menentukan profil
kandidat yang diinginkan. Pemilihan keterampilan didukung oleh
6. Perekrut atau Merekrut Manager
Gambar 4. Tampilan berbeda
untuk menentukan peringkat dan membandingkan kandidat: A menunjukkan tampilan
kartu yang menyoroti informasi paling penting (mis., Seberapa baik setiap orang
memenuhi persyaratan pencarian) untuk setiap kandidat. B menunjukkan tampilan
skor yang memungkinkan pengguna untuk memeriksa setiap skor spesifik yang
berperan dalam skor keseluruhan. Subfigure C menunjukkan grafik skor. Ini
menampilkan skor keterampilan secara keseluruhan dan skor pengalaman kerja
keseluruhan yang diperintahkan menurun dengan skor keterampilan. Tampilan yang
menampilkan fitur-fitur ini tersedia dalam [8].
daftar lengkap-otomatis,
yang didasarkan pada kumpulan besar dari 800 k profil yang diuraikan dalam
Bagian 2.
Catatan, penilaian
keterampilan dan peringkat bergantung pada model kejadian bersama pada profil
pelatihan kami. Manfaatnya adalah bahwa keterampilan baru secara otomatis
muncul dan dipetakan selama profil keterampilan baru ditambahkan. Kelemahannya
adalah kita mungkin mengalami sedikit keterlambatan keterampilan baru dipetakan
dengan benar, karena memerlukan beberapa kemunculan keterampilan baru ini.
Selain itu, pengguna
dapat menambahkan keterampilan terkait kapan saja dan bahkan mulai dengan
menggunakan templat pekerjaan yang telah ditentukan.
4.3. Membandingkan Calon
Alat ini memberi pengguna beberapa cara untuk
menampilkan kumpulan kandidat.
4.3.1. Kartu-kartu. Cara
standar untuk menampilkan kandidat adalah tampilan kartu yang ditunjukkan pada
Gambar 4A. Setiap kandidat diwakili oleh kartu yang berisi aspek paling
penting, seperti nama, skor, dan gelar terbaru.
Setiap kartu juga
memiliki bagan yang menunjukkan skor yang dipecah dalam tiga kategori
(pendidikan, pengalaman kerja, dan keterampilan). Pengguna dapat dengan cepat
melihat kategori mana yang unggul atau tertinggal di belakang. Secara umum,
semakin besar area segitiga dalam bagan, semakin baik skor kandidat relatif
terhadap semua kandidat lainnya. Fitur kenyamanan, seperti bookmark kandidat
atau opsi kontak langsung juga ada.
4.3.2. Skor. Tampilan tabular
skor digambarkan pada Gambar 4B. Tampilan ini memungkinkan pengguna dengan
cepat mengevaluasi bagaimana seorang kandidat cocok dengan w.r.t. keahlian
khusus. Ada kolom untuk masing-masing dari tiga kategori utama serta semua
keterampilan yang diinginkan. Untuk menyorot top skorer untuk setiap skor,
sepuluh persen teratas berwarna hijau. Pengguna juga memiliki opsi untuk
mengurutkan berdasarkan kategori atau keterampilan tertentu.
4.3.3. Grafik Skor.
Grafik skor (lihat Gambar 4C) menampilkan skor keterampilan keseluruhan dan
skor pengalaman kerja keseluruhan dari para kandidat. Skor akan semakin menurun
oleh skor keterampilan. Jika dua kandidat memiliki skor keterampilan yang sama,
kandidat dengan skor pengalaman kerja yang lebih baik datang terlebih dahulu.
Keuntungan dari pandangan ini adalah bahwa pengguna dapat secara visual
membandingkan kinerja kandidat dalam bagian skor yang disebutkan pada
khususnya. Misalnya, contoh menunjukkan bahwa kecocokan keterampilan hampir
sama untuk semua kandidat, tetapi skor untuk pengalaman kerja sangat berbeda.
Ini membantu menavigasi pemfilteran kandidat dengan membimbing secara visual ke
arah yang berbeda.
Gambar 5. Tampilan Profil
dari kandidat yang menunjukkan resume asli di sebelah kiri dan kartu detail di
sebelah kanan. Konten kartu apa saja dapat diletakkan untuk menyoroti tampilan
yang relevan dalam dokumen. Kecuali untuk kartu Skor Pekerjaan, semua kartu
khusus untuk resume saat ini dan profil pekerjaan yang ditentukan sebelumnya.
4.4 Inspeksi Kandidat
Salah satu fitur utama
dari aplikasi ini adalah untuk menganalisis dan menjelaskan kecocokan antara
keahlian kandidat dan persyaratan profil
pekerjaan. Pada halaman profil (lihat Gambar 5), resume asli ditempelkan di sebelah
kiri, sementara informasi yang diekstraksi dikelompokkan sebelah kanan.
4.4.1. Konteks. kartu
informasi yang diekstraksi, contoh, suatu keterampilan, semua kemunculan dari
keterampilan itu disorot dalam resume yang asli. Ini memberi pengguna kemampuan
untuk mudah memvalidasi dan mempelajari lebih lanjut tentang konteks
keterampilan itu. Misalnya, proyek atau kelas yang menerapkan keterampilan ini.
4.4.2. Keterampilan Terkait - Kartu Keterampilan Yang Diinginkan. Tidak hanya
kartu keterampilan yang diinginkan memvisualisasikan kualitas kecocokan
keterampilan untuk keterampilan profil pekerjaan, tetapi setiap keterampilan
juga dapat diperluas untuk menunjukkan keterampilan serupa yang paling tinggi
dan tingkat kesamaan. Misalnya, Scilab hanya cocok 90%. Karena keterampilan ini
tidak disebutkan secara eksplisit di sini, mis., Keterampilan yang serupa
menunjukkan pengetahuan di bidang ini dan berdasarkan teknik pemetaan
keterampilan kami, skor kecocokan di bawah 100% dapat dihitung.
4.4.3. Kecocokan - Kartu
Skor Pekerjaan. Kartu ini mencantumkan profil pekerjaan teratas untuk kandidat
ini berdasarkan ukuran kecocokan skor kami. Ini sangat membantu bagi kandidat
yang menghindari melamar terlalu banyak posisi pada saat yang sama dan perekrut
yang berjuang untuk menemukan kandidat terbaik untuk suatu pekerjaan. Kartu ini
menekankan jika kandidat ini akan lebih cocok untuk pekerjaan lain yang belum
dia lamar.
5. Ringkasan dan Langkah selanjutnya
Penelitian Prototype ini
menunjukkan cara menggunakan metode data-driven termasuk beberapa sumber data
untuk memandu pengguna dalam mencocokkan kandidat dan pekerjaan. Dengan
menggunakan ML dan NLP, memungkinkan untuk membangun pipeline yang pertama-tama
mengekstrak semua informasi yang relevan dari resume dan menyediakannya dengan
cara yang terstruktur. Setelah resume diproses, data eksternal untuk karyawan
dan lembaga pendidikan dimasukkan juga untuk menghitung kecocokan kandidat.
Perekrut dapat menyesuaikan pencarian dan penyaringan mereka dengan peran
pekerjaan tertentu. Selain itu, ada beberapa opsi dan cara untuk membandingkan
kandidat. Akhirnya, aplikasi ini memungkinkan analisis terperinci dari resume
untuk memvalidasi peringkat dan rekomendasi yang cocok.
Namun, karena kami
mengembangkan prototipe, ada langkah dan
cara yang dapat. Pertama-tama, bobot untuk menghitung skor belum dioptimalkan.
Lebih khusus lagi, riset pengguna diperlukan untuk mengevaluasi berbagai
konfigurasi. Kedua, dalam pekerjaan ini, kami fokus pada penggalian informasi
yang paling penting dari sebuah resume. Faktanya, ada lebih banyak informasi
untuk dikumpulkan dan dinilai, misalnya, penghargaan, kursus, detail pekerjaan,
dan bahasa. Selain itu, menilai kinerja karier bisa sangat bermanfaat. Kriteria
lain yang perlu dipertimbangkan dapat berupa biaya untuk merekrut kandidat,
relokasi, atau pelatihan untuk menutup kekurangan. Ketika merekrut orang,
penting untuk mengetahui apakah mereka akan cocok dengan tim dan dapat
beradaptasi dengan aturan perusahaan. Mengingat semua poin data yang tersedia
saat ini, ada lebih banyak ekstensi prototipe kami yang disajikan dalam karya
ini.
Ucapan Terima Kasih
Penulis
mengucapkan terima kasih kepada tim dari SAP Innovation Center, Palo Alto:
Frank Blechschmidt, Fredrick Chew, Pascal Crenzin, Stephan Haarmann, Michael
Janke, Jaeyoon Jung, Roger Li, Bhumi Patel, Stefan Selent, dan Rene ́ Springer.
Daftar
Pustaka
[1] The
Telegraph, http://www.telegraph.co.uk/finance/jobs/10949825/ Employers-
receive- 39- applications- for- every- graduate- job.html, July 2014
[2] Erica Breuer, Don’t just copy and paste: 4
things to put on LinkedIn but not your re ́sume ́,
http://mashable.com/2016/03/27/ differences-linkedin-resume, March 2016.
[3] Xpdf, http://www.foolabs.com/xpdf/, April
2016
[4] Christopher Olah’s blog, Deep Learning, NLP,
and Representations, http://colah.github.io/posts/2014- 07- NLP- RNNs-
Representations/, July 2014
[5] LaurensvanderMaaten,t-SNE,https://lvdmaaten.github.io/tsne/April
2016
[6] Times Higher Education, World University
Rankings 2015-2016, https://www.timeshighereducation.com/world- university-
rankings/ 2016/world-ranking, April 2016
[7] QS World University Rankings 2015/16, http://www.topuniversities.
com/qs-world-university-rankings, April 2016
[8] Innovation Center Silicon Valley, SAP, Re
́sume ́ Explorer Prototype Screencast, https://youtu.be/qlW-QUkfg9k, March 2016
Inti Materi Dari Jurnal Data
Driven HR
Data
Driven berarti data menentukan proses pengambilan keputusan. Data akan
mengambil peranan terpenting dalam perusahaan. Artinya, para pengambil
keputusan akan bergantung sepenuhnya kepada data. perekrutan
biasanya menghabiskan waktu kurang dari satu menit untuk melihat masing-masing
risiko ketika memutuskan apakah perlu melanjutkan proses rekrutmen dengan
kandidat.
Metode
Yang di Gunakan :
Korelasional
Penelitian korelasi
adalah suatu penelitian yang melibatkan tindakan pengumpulan data guna
menentukan, apakah ada hubungan dan tingkat hubungan antara dua variabel atau
lebih. Adanya hubungan dan tingkat variabel yang penting, karena dengan
mengetahui tingkat hubungan yang ada, peneliti akan dapat mengembangkannya
sesuai dengan tujuan penelitian.
Kelebihan
Dan Kekurangan Metode Korelasional
Penelitian
korelasional mengandung kelebihan-kelebihan, antara lain: kemampuannya untuk
menyelidiki hubungan antara beberapa variabel secara bersama-sama (simultan); dan Penelitian korelasional juga dapat
memberikan informasi tentang derajat (kekuatan) hubungan antara
variabel-variabel yang diteliti (Abidin, 2010). Selanjutnya, Sukardi
menambahkan kelebihan penelitian ini adalah penelitian ini berguna untuk
mengatasi masalah yang berkaitan dengan bidang pendidikan, ekonomi, sosial.
Dengan penelitian ini juga memungkinkan untuk menyelidiki beberapa variabel
untuk diselidiki secara intensif dan penelitian ini dapat melakukan analisis
prediksi tanpa memerlukan sampel yang besar.
Sedangkan, kelemahan penelitian korelasional, antara lain:
Hasilnya cuma mengidentifikasi apa sejalan dengan apa, tidak mesti menunjukkan
saling hubungan yang bersifat kausal; Jika dibandingkan dengan penelitian
eksperimental, penelitian korelasional itu kurang tertib- ketat, karena kurang
melakukan kontrol terhadap variabel-variabel bebas; Pola saling hubungan itu
sering tak menentu dan kabur; ering merangsang penggunaannya sebagai semacam
short-gun approach, yaitu memasukkan berbagai data tanpa pilih-pilih dan
menggunakan setiap interpretasi yang berguna atau bermakna.
Kesimpulan
Jadi Data driven
terdiri dari 5 tahap untuk mencari kandidad yang pas yaitu :
Ø Motivasi
Ø Dari
Dokumen ke Informasi
Ø Dari
Informasi ke Pengetahuan
Ø Aplikasi
Prototipe
Ø Ringkasan
dan Langkah selanjutnya
Saran
Halamannya banyak
kosong,Cuma ada beberapa kata setelah itu loncat ke halaman selanjutnya.
Penulisannnya juga kurang rapi,bahasanya juga ada yang Bahasa Indonesia dan
Bahasa inggris.