Pelajari cara kerja AI candidate matching dan semantic matching dalam recruitment, cara membaca match score, menghindari kandidat yang terlihat mirip tetapi tidak relevan, dan menguji kualitas ranking sebelum digunakan untuk shortlist.
Ketika database kandidat sudah berisi ratusan atau ribuan profil, masalah recruiter bukan lagi sekadar mendapatkan kandidat. Tantangannya adalah menemukan siapa yang benar-benar relevan tanpa bergantung pada exact keyword, job title, atau pencarian manual yang panjang. Di sinilah AI candidate matching dapat membantu dengan mencari hubungan antara kebutuhan role dan pengalaman kandidat meskipun keduanya menggunakan istilah yang berbeda.
Namun ada batas penting: semantic similarity bukan candidate fit. Sistem matching yang berguna harus tetap menghormati persyaratan wajib, menunjukkan bukti di balik ranking, dan diuji apakah kandidat yang ditempatkan di posisi teratas memang relevan menurut kebutuhan role. Match score sebaiknya membantu recruiter menentukan profil mana yang perlu diperiksa lebih dulu, bukan menggantikan evaluasi kandidat.
Prinsip utama: semantic matching menjawab “seberapa berkaitan informasi ini?”, sedangkan recruitment tetap perlu menjawab “apakah kandidat memiliki bukti yang relevan dan memenuhi persyaratan role?”
AI candidate matching adalah sistem yang membandingkan kebutuhan role dengan informasi kandidat untuk membantu memprioritaskan kandidat yang kemungkinan relevan. Input-nya dapat berupa CV, profil kandidat yang sudah terstruktur, skills, riwayat pekerjaan, pendidikan, certification, lokasi, work preference, atau informasi lain yang relevan terhadap pekerjaan.
Berbeda dari pencarian Boolean sederhana, matching modern dapat menggunakan pendekatan contextual atau semantic untuk mengenali konsep yang berkaitan meskipun wording-nya berbeda. Dokumentasi LinkedIn Recruiter merupakan salah satu contoh penggunaan AI-assisted search untuk menemukan qualification yang tidak selalu muncul secara literal pada profil kandidat. Namun kemampuan tersebut merupakan contoh produk tertentu, bukan bukti bahwa setiap sistem matching bekerja dengan kualitas yang sama.
Misalnya requirement menyebut:
P&L ownership
Sementara CV kandidat mengatakan:
Bertanggung jawab atas anggaran dan profitabilitas business unit.
Pencarian exact keyword dapat melewatkan hubungan tersebut. Semantic matching dapat membantu mengenali bahwa dua deskripsi tersebut membicarakan konsep yang berkaitan, tetapi sistem masih belum membuktikan apakah kandidat benar-benar memiliki tingkat ownership yang dibutuhkan.
Karena itu, AI candidate matching lebih tepat dipandang sebagai mekanisme retrieval dan prioritization, bukan keputusan hiring otomatis. Ini juga membedakannya dari AI candidate screening: matching terutama menjawab siapa di dalam database kandidat yang terlihat relevan?, sedangkan screening membantu mengevaluasi apakah kandidat memenuhi kriteria dan apa tahap berikutnya.
Arsitektur setiap vendor dapat berbeda, tetapi secara konseptual prosesnya dapat dijelaskan sebagai:
CV/Profile → Extraction & Normalization → Persyaratan Wajib → Semantic Retrieval → Reranking Berbasis Bukti → Review Recruiter
Pertama, informasi kandidat perlu diekstrak dan distrukturkan. Sistem dapat membaca job title, masa kerja, skill, education, certification, project, atau achievement. Informasi tersebut kemudian dapat dinormalisasi agar variasi istilah lebih mudah dibandingkan, misalnya S1 dengan Sarjana, BI dengan Business Intelligence, atau pengadaan dengan procurement.
Normalisasi tidak berarti semua istilah yang berkaitan dianggap identik. “Account Executive” dan “Sales Executive”, misalnya, dapat memiliki tanggung jawab yang mirip di satu perusahaan tetapi sangat berbeda di perusahaan lain. Karena itu, konteks pekerjaan tetap menentukan relevansi.
Beberapa requirement tidak seharusnya “dikompensasi” oleh semantic similarity. Jika certification atau professional license tertentu memang wajib untuk sebuah pekerjaan, kemiripan pengalaman tidak membuat requirement tersebut otomatis terpenuhi. Persyaratan seperti ini lebih aman diperiksa sebagai structured constraint atau hard filter.
Sebaliknya, pengalaman seperti enterprise account management sering membutuhkan interpretasi konteks. Kandidat mungkin tidak menggunakan wording yang sama dengan job description tetapi tetap mempunyai pengalaman yang relevan. Dokumentasi Google Cloud tentang hybrid search menunjukkan bagaimana lexical atau structured filtering dapat dikombinasikan dengan semantic retrieval dan reranking, bukan semuanya dilebur menjadi satu similarity score.
Dalam recruitment, prinsip serupa dapat diterapkan:
Nilai utama semantic matching dalam recruitment muncul ketika kandidat dan recruiter menggunakan bahasa berbeda untuk menjelaskan pekerjaan yang sebenarnya berkaitan. Teknologi vector search dapat merepresentasikan informasi dalam bentuk numerik sehingga sistem dapat mencari konsep yang berdekatan, bukan hanya kata yang identik. Penjelasan teknis mengenai mekanisme vector similarity dapat dilihat di Google BigQuery Vector Search.
Contohnya:
Requirement
Managing enterprise sales pipeline.
Pengalaman kandidat
Owned end-to-end opportunity management for strategic B2B accounts.
Atau:
Requirement
Budget management.
Pengalaman kandidat
Responsible for annual departmental spending and forecasting.
Riset 2025 mengenai semantic job matching melaporkan bahwa metode semantic similarity dalam sistem yang diuji dapat menghasilkan matching yang lebih baik daripada baseline keyword pada dataset penelitian tersebut. Namun hasil itu tidak berarti setiap semantic matching system otomatis lebih akurat dalam recruitment nyata atau menghasilkan Quality-of-Hire yang lebih tinggi. Studi aslinya dapat dibaca di Information Sciences.
Mimo sendiri mendeskripsikan AI Resume Screening-nya sebagai menggunakan semantic matching untuk mempertimbangkan experience, skills, dan context, bukan hanya literal keyword. Itu merupakan deskripsi capability Mimo, bukan jaminan bahwa setiap kandidat yang diberi ranking tinggi pasti merupakan kandidat yang tepat. Sistem tetap perlu diuji pada role dan data perusahaan sendiri.
Semantic matching juga dapat mengalami semantic drift: dua profil terlihat dekat secara bahasa tetapi berbeda secara substantif. Misalnya enterprise software sales dan retail phone sales sama-sama dapat banyak menggunakan istilah “sales”, “target”, “customer”, dan “closing”, padahal scope, buyer, deal cycle, serta jenis ownership-nya sangat berbeda. Karena itu, retrieval perlu dilanjutkan dengan reranking dan pemeriksaan bukti.
Setelah semantic retrieval menemukan kandidat yang mungkin relevan, pertanyaan berikutnya bukan sekadar “seberapa mirip CV ini dengan job description?”. Recruiter perlu mengetahui apakah kandidat benar-benar memberikan bukti melakukan pekerjaan yang dimaksud. Contemporary personnel-selection research juga menekankan pentingnya memahami construct apa yang sebenarnya diukur sebuah metode, bukan menganggap satu signal sebagai bukti keseluruhan kemampuan kandidat; lihat review Sackett, Lievens, dan Landers.
Bandingkan dua kandidat berikut.
Kandidat A
Strong understanding of agile product development.
Kandidat B
Led delivery of three product releases across engineering, design, and commercial teams.
Kandidat A memiliki wording yang sangat dekat dengan kebutuhan Product Manager. Kandidat B justru memberikan bukti yang lebih konkret melalui action, ownership, scope, dan hasil kerja. Karena itu, ranking yang berguna perlu memungkinkan recruiter memahami apa yang kandidat lakukan, seberapa besar tanggung jawabnya, dalam konteks apa, dan informasi apa yang masih belum tersedia.
Hal yang sama berlaku ketika recruiter membaca angka seperti:
Match score: 87%
Angka tersebut tidak otomatis berarti:
Kandidat ini 87% qualified.
Match score dapat memiliki definisi yang berbeda antarvendor. Ia dapat mencerminkan similarity, jumlah qualification yang cocok, relative ranking, atau gabungan beberapa signal. LinkedIn, misalnya, memiliki relevance percentage yang berkaitan dengan qualification yang dikonfigurasi, bukan probability bahwa kandidat akan sukses dalam pekerjaan. Contoh tersebut memperlihatkan mengapa recruiter perlu selalu bertanya “87% dari apa?”; lihat dokumentasi LinkedIn.
Sebelum menggunakan match score untuk shortlist, periksa:
Bayangkan role membutuhkan Technical SEO Lead. Kandidat menggunakan banyak terminology seperti technical SEO, crawling, indexing, migration, dan SEO strategy, sehingga semantic relevance-nya dapat terlihat tinggi.
Namun ketika CV diperiksa, tidak ada bukti bahwa kandidat pernah melakukan technical audit, menangani migration, memperbaiki indexing issue, mempunyai ownership terhadap pekerjaan tersebut, atau menghasilkan measurable outcome. Dalam kasus ini, kandidat secara bahasa terlihat sangat dekat dengan role tetapi bukti kompetensinya masih lemah.
Semantic similarity: tinggi.
Kekuatan bukti: rendah.
Inilah alasan reranking dan review tidak boleh berhenti pada kemiripan bahasa.
Satu similarity number mudah menyembunyikan beberapa jenis informasi yang sebenarnya berbeda. Karena itu, recruiter dapat melihat candidate relevance melalui lima dimensi di bawah ini. Lima dimensi ini merupakan framework praktis, bukan standar ilmiah universal.
1. Skills dan bukti competency. Menyebut “Salesforce” lebih lemah daripada menjelaskan “Built and maintained Salesforce pipeline reporting for 20 account executives.” Skill mention dapat menjadi signal awal, tetapi tidak otomatis membuktikan proficiency. Selection research menunjukkan bahwa kekuatan predictor berbeda-beda sehingga surface signal tetap perlu divalidasi terhadap hal yang memang ingin dinilai.
Soft skills juga perlu diperlakukan dengan kehati-hatian yang sama. Studi Apers dan Derous terhadap 296 HR professionals menemukan bahwa sebagian besar Big Five personality traits tidak dapat dinilai secara akurat dari paper resume; richer resume formats juga tidak otomatis menyelesaikan masalah tersebut. Karena itu, kalimat seperti “led cross-functional teams” lebih tepat menghasilkan hipotesis untuk memeriksa leadership, bukan score “Leadership = 92%”. Studi aslinya dapat dibaca di Computers in Human Behavior.
2. Experience dan domain relevance. Exact prior job title tidak selalu diperlukan. Kandidat tanpa title “Customer Success” mungkin pernah bertanggung jawab atas onboarding, renewals, dan product adoption. Semantic matching berguna ketika responsibility lebih informatif daripada job title.
3. Career progression dan scope. Promotion, ukuran project, decision authority, atau peningkatan tanggung jawab dapat memberi konteks tambahan. Namun jangan otomatis menganggap kandidat dengan promotion lebih cepat pasti mempunyai potential lebih tinggi. Relevance tetap perlu dikaitkan dengan requirement role.
4. Education dan credentials. Pisahkan qualification yang memang dibutuhkan dari prestige institusi. Dalam field experiment Mihut pada 2.400 fictitious applications di AS, Inggris, dan Australia untuk pekerjaan IT dan accounting, skills match memprediksi callbacks sementara university prestige tidak signifikan secara statistik pada konteks yang diuji. Hasil itu tidak membuktikan bahwa reputasi institusi tidak pernah relevan, tetapi cukup menjadi alasan untuk tidak menjadikannya universal competency proxy. Sumbernya tersedia di Studies in Higher Education.
5. Operational constraints. Location, remote/on-site arrangement, travel requirement, relocation willingness, jadwal, atau availability sering lebih tepat ditangani sebagai structured data daripada semantic similarity. Dengan begitu, sistem tidak mencoba “mengimbangi” constraint yang jelas menggunakan kemiripan bahasa.
Dengan framework ini, match score menjadi pintu masuk untuk melihat beberapa dimensi relevansi, bukan ringkasan sempurna dari candidate fit. Signal dari CV yang belum terbukti dapat diteruskan ke interview, assessment, atau verifikasi lain yang job-relevant.
Belum ada evidence yang cukup kuat dalam sumber yang tersedia untuk menyatakan bahwa recruitment matching mempunyai performa yang setara antara Bahasa Indonesia, English, dan CV campuran Indonesia-English. Karena performance bergantung pada model, vocabulary, parsing, normalization, serta ranking architecture, pendekatan yang lebih aman adalah test rather than assume. Pengujian ini tidak berarti sistem pasti buruk dalam Bahasa Indonesia; tujuannya adalah memeriksa deployment yang benar-benar akan digunakan perusahaan.
Gunakan beberapa test case lokal berikut.
Bahasa Indonesia vs. English. Bandingkan dua profil dengan isi yang setara tetapi bahasa berbeda. Contohnya, “Managed regional B2B sales pipeline” dan “Mengelola pipeline penjualan B2B regional.” Periksa apakah keduanya muncul dengan tingkat relevansi yang masuk akal.
Code-switching. Gunakan kalimat seperti “Handle monthly closing dan melakukan account reconciliation untuk 5 entities.” Periksa apakah sistem tetap memahami pengalaman ketika Bahasa Indonesia dan English bercampur dalam satu kalimat.
Istilah lokal. Uji D3, S1, SMK, PKL, BEM, HIMA, dan istilah lain yang umum muncul di candidate data Indonesia. Sistem tidak seharusnya otomatis menganggap seluruh aktivitas tersebut setara dengan work experience tertentu.
Job title non-standar. Uji title seperti Admin Marketplace, Sales Taking Order, PIC Warehouse, PPIC, Relationship Officer, atau Business Development Executive. Nilai sistem dari apakah responsibilities yang relevan dapat ditemukan, bukan hanya apakah job title dikenali.
Match score sebaiknya menentukan apa yang perlu diperiksa berikutnya, bukan menjadi hiring conclusion. Kandidat dengan strong semantic relevance tetapi bukti yang lemah membutuhkan tindakan berbeda dari kandidat yang memenuhi persyaratan wajib dan mempunyai evidence yang jelas.
Contohnya:
Prinsipnya sederhana: high relevance tidak otomatis berarti shortlist. Mimo saat ini memosisikan Resume Screening, Interview, dan Assessment sebagai tahapan yang dapat digunakan untuk membawa candidate evidence ke tahap verifikasi berikutnya. Hubungan tersebut merupakan product context yang relevan, bukan alasan menjadikan match score sebagai keputusan final.
Jangan hanya bertanya kepada vendor: "Seberapa akurat AI Anda?". Pertanyaan yang lebih operasional adalah: "Seberapa relevan kandidat yang ditempatkan sistem di ranking teratas untuk role kami?"
Precision@K adalah metric information retrieval yang mengukur proporsi hasil relevan di antara K hasil teratas. Google Machine Learning Glossary mendefinisikan Precision@K sebagai fraction dari K item pertama yang dinilai relevan, sekaligus mengingatkan bahwa definisi “relevan” dapat melibatkan human judgment.
Formula sederhananya:
Precision@K = jumlah kandidat relevan dalam top K / K x 100%
Misalnya sistem menghasilkan top 20 kandidat dan recruiter menilai 15 di antaranya benar-benar relevan:
Precision@20 = 15 / 20 x 100% = 75%
Ini bukan berarti “AI 75% akurat secara keseluruhan”. Artinya, berdasarkan definisi relevance yang dipakai recruiter, 15 dari 20 kandidat teratas dinilai relevan.
Jangan mencari universal cut-off seperti “di bawah 80% vendor gagal”. Tidak ada threshold ilmiah universal yang berlaku untuk setiap role dan candidate pool. Gunakan Precision@K sebagai perbandingan terhadap kebutuhan recruiter dan baseline saat ini.
Misalnya recruiter membutuhkan sekitar 20 profil relevan untuk membuat initial shortlist. Jika sistem memberikan 15 profil relevan dari top 20, berarti lima slot review masih terpakai untuk profil yang tidak relevan. Pertanyaan pilot-nya menjadi: apakah hasil tersebut lebih baik daripada proses sekarang, apakah waktu review benar-benar turun, dan apakah false negatives masih dapat diterima?
Sebelum pilot, tentukan success criteria internal. Contohnya, tim dapat membandingkan candidate matching dengan keyword search saat ini menggunakan candidate set yang sama. Vendor baru layak dilanjutkan jika hasil top-K memberikan peningkatan yang cukup berarti bagi workflow perusahaan, bukan karena mencapai angka benchmark generik.
Precision@K juga tidak cukup sendirian. Metric tersebut tidak membedakan kandidat relevan yang muncul di rank #1 dengan kandidat relevan di rank #20, dan tidak memberi tahu berapa kandidat relevan yang tertinggal di luar top K. Dokumentasi Elasticsearch menjelaskan keterbatasan tersebut.
Periksa kandidat dengan ranking tinggi tetapi ternyata tidak relevan. Cari akar masalah seperti:
Hasil audit dapat digunakan untuk memperbaiki filter, taxonomy, evidence rule, atau verification workflow.
Jangan hanya mengecek kandidat di ranking teratas. Ambil sampel kandidat dari ranking lebih rendah dan periksa apakah sistem melewatkan bukti yang relevan. Konsep ini sejalan dengan kebutuhan mengevaluasi recall: apakah kandidat relevan yang seharusnya ditemukan justru tertinggal di luar top results.
Career switcher, bilingual profile, unusual job title, short CV, atau kandidat dari less-known employer dapat menjadi stress-test yang berguna. Itu bukan berarti semantic matching terbukti secara universal merugikan kelompok tersebut. Mereka digunakan untuk menguji apakah deployment tertentu mempunyai blind spot.
Perubahan candidate pool juga perlu diperhatikan. Jika benchmark relevance dibangun dari data historis yang terlalu sempit—misalnya mayoritas kandidat sebelumnya berasal dari job title, universitas, atau industry yang sama—matching yang disetel terhadap pola tersebut dapat memperkuat definisi relevance yang terlalu sempit. Untuk governance dan bias secara lebih mendalam, lihat Penggunaan AI yang Bertanggung Jawab dalam Rekrutmen dan bias in candidate screening.
Setelah top-K quality cukup stabil, bandingkan kelompok score dengan recruitment stage berikutnya. Jangan menggunakan tabel dengan angka contoh yang terlihat seperti benchmark; buat template internal dan isi menggunakan data perusahaan sendiri.
Contoh template:
Jika kandidat dengan score sangat tinggi tidak menunjukkan relevance yang lebih baik pada tahap berikutnya dibanding kandidat dengan score lebih rendah, calibration perlu diperiksa. Namun jangan langsung menyimpulkan match score menyebabkan Quality-of-Hire karena employee performance dipengaruhi banyak faktor setelah selection. Downstream results lebih aman digunakan sebagai calibration signal, bukan bukti causal performance.
Business case candidate matching sebaiknya menggunakan outcome yang dekat dengan fungsi matching itu sendiri. Metric seperti Precision@K, jumlah profil yang harus direview untuk mendapatkan satu kandidat relevan, search hours, time-to-shortlist, atau hiring-manager acceptance lebih dekat dengan fungsi retrieval daripada klaim jauh seperti retention atau employee performance.
Gunakan data perusahaan sendiri untuk menghitung workload:
Search hours = profiles reviewed x average minutes per profile / 60
Misalnya proses lama membutuhkan recruiter memeriksa 120 profil untuk mendapatkan 20 kandidat relevan, sementara pilot matching memungkinkan recruiter memeriksa 35 profil untuk menemukan jumlah kandidat relevan yang sama. Tim kemudian dapat menghitung berapa jam pencarian yang benar-benar dilepas menggunakan rata-rata waktu review internal. Angka tersebut masih perlu dibandingkan dengan implementation cost, subscription, integration, dan pekerjaan QA yang diperlukan.
Tidak ada universal percentage time saving atau ROI benchmark yang cukup didukung untuk AI candidate matching. Karena itu, business case yang lebih defensible adalah membandingkan workflow sebelum dan sesudah pilot pada role serta candidate pool yang sama.
Tidak ada scientific minimum universal untuk jumlah candidate profiles dalam pilot. Karena itu, jumlah sample harus cukup untuk mencakup variasi kandidat yang memang penting bagi role dan perusahaan, bukan mengikuti angka generik seperti “100–300 profiles” seolah-olah itu standar validasi.
Jika requirement role berubah ketika search sudah berjalan, jangan hanya mempertahankan ranking lama. Perbarui definisi criteria, dokumentasikan perubahan, jalankan matching kembali, lalu periksa apakah perubahan tersebut menggeser kandidat di ranking atas secara masuk akal. Ini penting agar recruiter tidak membandingkan kandidat menggunakan versi requirement yang berbeda tanpa menyadarinya.
Saat mengevaluasi vendor—termasuk Mimo—gunakan standar yang sama.
Arsitektur matching
Bukti di balik ranking
Kualitas matching
Performa lokal
Human control dan workflow
Privacy dan commercial
Checklist ini sengaja berlaku untuk vendor mana pun. Mimo juga perlu dievaluasi dengan pertanyaan yang sama, bukan diberi pengecualian karena artikel ini diterbitkan oleh Mimo.
Candidate matching lebih relevan ketika perusahaan mempunyai database kandidat yang besar, berulang kali merekrut role serupa, recruiter menghabiskan banyak waktu mencari profil, dan keyword search sering menghasilkan profil tidak relevan atau melewatkan kandidat yang menggunakan terminology berbeda. Dalam kondisi tersebut, masalah yang diselesaikan memang candidate retrieval dan prioritization.
Nilainya cenderung lebih kecil ketika database kandidat sangat kecil, role merupakan one-off executive search, requirement masih berubah-ubah, candidate data quality buruk, atau recruiter tidak mempunyai cara untuk memvalidasi ranking. Menambahkan semantic scoring sebelum masalah criteria dan data diselesaikan hanya menambah layer baru di atas proses yang belum stabil.
Gunakan lima pertanyaan sebelum menjalankan pilot:
Jika sebagian besar jawabannya “ya”, AI candidate matching layak diuji melalui pilot. Jika tidak, memperbaiki criteria, data, atau recruitment workflow kemungkinan lebih penting daripada menambahkan scoring layer baru.
Tergantung kebutuhan. Semantic matching dapat membantu menemukan kandidat yang menggunakan terminology berbeda, sedangkan exact atau Boolean search tetap berguna untuk identifier, certification, dan persyaratan wajib. Dokumentasi hybrid search dari Google menunjukkan bahwa lexical dan semantic retrieval dapat digunakan bersama karena keduanya memiliki fungsi yang berbeda.
Tidak selalu. Tanyakan “90% dari apa?”, kriteria apa yang masuk, bukti apa yang mendasari score, dan bagaimana score tersebut divalidasi. Tanpa calibration yang jelas, perlakukan match score sebagai signal prioritas review, bukan probability of success.
Tidak hanya dengan membaca candidate profile. Sistem dapat mengenali bahwa kandidat mengklaim memiliki pengalaman atau credential tertentu, tetapi verification membutuhkan source atau proses lain. Untuk menentukan bukti apa yang perlu diperiksa sebelum kandidat diteruskan, recruiter juga dapat menggunakan CV screening checklist.
AI candidate matching paling berguna ketika membantu recruiter menemukan kandidat yang mungkin terlewat oleh exact search—tanpa mengubah similarity menjadi false certainty. Ranking yang dapat dipercaya bukan sekadar ranking yang terlihat pintar, tetapi ranking yang menghormati persyaratan wajib, menunjukkan candidate evidence, dan terbukti relevan ketika diuji pada role serta candidate data perusahaan sendiri.
Punya database kandidat besar tetapi recruiter masih menghabiskan banyak waktu mencari profil yang relevan? Pelajari bagaimana Mimo menggunakan semantic matching dalam candidate screening workflow, lalu evaluasi hasilnya dengan standar yang sama seperti vendor lain: periksa evidence, review kandidat di ranking teratas, audit false positives dan false negatives, serta hubungkan matching ke tahap verifikasi sebelum membuat shortlist.