PANCARONA: Sistem Pendukung Keputusan Karier Berbasis Hybrid Recommender System, AHP, dan Nudge Theory untuk Mengatasi Information Overload pada Fresh Graduate
Muhammad Fajar Ramadhan, Salsabila, Nandyto Rizval Zilbran, Andini Putri Yani, Raka Aditya Ramadhan
Program Studi Teknik Informatika & Teknik Komputer, Universitas Komputer Indonesia
Jl. Dipatiukur No.112–114, Bandung, Jawa Barat
Abstrak
Tingginya angka pengangguran terdidik di Indonesia mencapai 5,18% atau 1,67 juta jiwa lulusan diploma dan sarjana (BPS, 2023) tidak semata-mata disebabkan oleh keterbatasan lapangan kerja, melainkan oleh rendahnya kualitas keputusan karier (job match quality) pada fresh graduate. Fenomena information overload, decision paralysis (73%), panic applying (68%), dan form fatigue (81%) terbukti melalui survei pra-PKM terhadap 120 mahasiswa tingkat akhir Universitas Komputer Indonesia pada Januari 2026.
Artikel ini memperkenalkan PANCARONA, sebuah aplikasi mobile Android yang mengintegrasikan Hybrid Recommender System, metode Analytic Hierarchy Process (AHP), dan Nudge Theory sebagai sistem pendukung keputusan karier. PANCARONA dirancang untuk mengagregasi lowongan dari empat platform (LinkedIn, Glints, JobStreet, Kalibrr), menyediakan analisis skill gap, dan mengotomatisasi pengisian formulir lamaran. Pengujian direncanakan terhadap 100 mahasiswa UNIKOM dengan target skor System Usability Scale (SUS) ≥75, peningkatan skor Career Decision Self-Efficacy (CDSE) minimal 20%, dan akurasi rekomendasi Precision@10 minimal 85%.
Kata kunci: sistem pendukung keputusan karier; hybrid recommender system; AHP; nudge theory; information overload; fresh graduate
1. Pendahuluan
Tingkat pengangguran terbuka (TPT) lulusan diploma dan sarjana di Indonesia mencapai 5,18% atau sekitar 1,67 juta jiwa berdasarkan data Badan Pusat Statistik (BPS, 2023). Lebih mengkhawatirkan, sebanyak 62,4% tenaga kerja bekerja tidak sesuai dengan bidang keahliannya (mismatch). Kondisi ini mengakibatkan estimasi kerugian ekonomi nasional mencapai Rp 115 triliun per tahun (Kementerian Koordinator Bidang Perekonomian, 2022).
Akar permasalahan tidak semata-mata pada kurangnya lapangan kerja, melainkan pada rendahnya kualitas keputusan karier (job match quality). Rantai kausal permasalahan ini diawali dari information overload paparan lowongan kerja yang berlebihan dan tidak terstruktur dari berbagai platform digital yang meningkatkan beban kognitif (cognitive load), sehingga memicu decision paralysis dan panic applying.
Survei pra-PKM yang dilakukan terhadap 120 mahasiswa tingkat akhir Universitas Komputer Indonesia pada Januari 2026 mengungkap bahwa responden rata-rata mengakses 4–6 platform pencarian kerja per minggu LinkedIn, Glints, JobStreet, Kalibrr, dan Indeed dengan lebih dari 200 lowongan yang tersedia setiap minggunya. Hasilnya, 73% responden mengalami decision paralysis, 68% melakukan panic applying, dan 81% merasakan form fatigue akibat pengisian formulir yang berulang-ulang.
Platform pencarian kerja yang ada saat ini umumnya berfokus pada penyediaan informasi berbasis kata kunci tanpa dukungan agregasi lintas platform, personalisasi berbasis kompetensi, skill gap analysis yang terintegrasi, maupun pendekatan psikologis dalam membantu proses pengambilan keputusan. Kesenjangan inilah yang menjadi landasan pengembangan PANCARONA (Guided Learning and Opportunity Visualization for Employment Recommendation) sebuah aplikasi mobile Android yang berfungsi sebagai sistem pendukung keputusan karier komprehensif bagi mahasiswa tingkat akhir dan fresh graduate.
2. Tinjauan Pustaka
2.1 Information Overload dan Decision Paralysis
Fenomena decision paralysis akibat information overload pada platform digital terbukti menurunkan kualitas pengambilan keputusan dan meningkatkan kebingungan pencari kerja (Bawden & Robinson, 2020). Kondisi ini diperburuk oleh rendahnya career decision self-efficacy, yang secara signifikan menghambat individu dalam menentukan pilihan karier yang tepat (Brown & Lent, 2020). Meskipun sistem rekomendasi hadir sebagai solusi penyaring informasi, model konvensional dinilai kurang adaptif terhadap preferensi kompleks dan perubahan perilaku pengguna (Isinkaye et al., 2021).
2.2 Hybrid Recommender System
Sistem rekomendasi hibrida mengombinasikan metode content-based filtering dan collaborative filtering untuk meningkatkan akurasi serta mengatasi kendala cold-start dan data sparsity (Burke, 2021). Pendekatan hibrida memungkinkan sistem memberikan rekomendasi yang lebih personal dan relevan dibandingkan dengan metode tunggal. Ricci et al. (2022) menegaskan bahwa sistem rekomendasi yang dilengkapi informasi pendukung seperti alasan rekomendasi dan peringkat kecocokan terbukti meningkatkan kepercayaan pengguna terhadap hasil yang diberikan.
2.3 Analytic Hierarchy Process (AHP)
AHP merupakan metode pengambilan keputusan multi-kriteria yang dikembangkan oleh Saaty. Metode ini digunakan untuk menyusun prioritas keputusan secara sistematis berdasarkan berbagai kriteria seperti minat, kompetensi, dan lokasi, guna meningkatkan konsistensi pemilihan (Saaty & Vargas, 2021). Dalam konteks sistem pendukung keputusan karier, AHP mampu mengkuantifikasi preferensi pengguna yang bersifat subjektif menjadi bobot yang dapat diolah secara komputasional (Power, 2021).
2.4 Nudge Theory
Pendekatan nudge digunakan untuk membantu individu dalam mengambil keputusan melalui dorongan halus tanpa paksaan. Konsep ini terbukti efektif dalam meningkatkan kualitas keputusan dan perilaku pengguna dalam sistem digital (Thaler & Sunstein, 2021). Penerapan nudge dalam antarmuka aplikasi membantu pengguna memahami informasi secara bertahap, mengurangi beban kognitif, dan mendorong pengambilan keputusan yang lebih terarah tanpa mengurangi kebebasan memilih.
2.5 Analisis Produk Sejenis
Platform digital seperti LinkedIn, Glints, dan Kalibrr telah mempermudah akses terhadap informasi lowongan kerja. Namun, sebagian besar platform masih berfokus pada sistem rekomendasi berbasis kata kunci dan belum mengintegrasikan fitur pendukung keputusan yang komprehensif. Tabel berikut menyajikan perbandingan fitur PANCARONA dengan platform sejenis.
| Aspek | Glints | Kalibrr | PANCARONA | |
|---|---|---|---|---|
| Sistem Rekomendasi | Keyword-based | Keyword-based | Keyword-based | Hybrid (Content + Collaborative Filtering) |
| Agregasi Lintas Platform | Tidak | Tidak | Tidak | Ya (≥4 platform) |
| Skill Gap Analysis | Tidak | Terbatas | Tidak | Terintegrasi penuh |
| Auto-fill Form | Terbatas (profil) | Tidak | Tidak | Otomatisasi penuh |
| Pendekatan Psikologis (Nudge) | Tidak | Tidak | Tidak | Ya |
| Multi-criteria Decision (AHP) | Tidak | Tidak | Tidak | Ya |
Tabel 1. Perbandingan PANCARONA dengan Platform Sejenis
Berdasarkan tabel di atas, belum terdapat platform yang mengintegrasikan seluruh fitur seperti yang ditawarkan PANCARONA, khususnya dalam hal integrasi teknologi rekomendasi, sistem pendukung keputusan multi-kriteria, dan pendekatan psikologis pengguna secara bersamaan.
3. Metode Pengembangan
3.1 Arsitektur Sistem
PANCARONA menerapkan arsitektur client-server di mana aplikasi Android berfungsi sebagai client yang menangani interaksi pengguna, sedangkan backend server berbasis Python/Flask menangani algoritma AHP, Hybrid Recommender System, serta manajemen basis data (Bass et al., 2021). Pendekatan ini mendukung fleksibilitas dan skalabilitas sistem.
Sistem memulai proses dari registrasi pengguna dan pengisian self-assessment yang mencakup minat, kemampuan, dan preferensi karier. Data ini kemudian diproses untuk menghasilkan rekomendasi pekerjaan dalam bentuk peringkat yang dilengkapi informasi pendukung seperti alasan rekomendasi, analisis skill gap, dan saran pelatihan, sesuai prinsip decision support system (Power, 2021).
3.2 Stack Teknologi
Pengembangan frontend menggunakan Flutter SDK 3.16+ dengan Android Studio Giraffe sebagai IDE utama. Backend dikembangkan menggunakan Python 3.11 dengan framework Flask 2.3 untuk membangun REST API. Implementasi Hybrid Recommender System memanfaatkan library scikit-learn 1.3.0. Manajemen data pengguna secara real-time menggunakan Firebase (Realtime Database, Authentication, Hosting). Target platform adalah Android versi 11 ke atas (minimum SDK 30, target SDK 33).
3.3 Metodologi Pengembangan
Pengembangan PANCARONA menggunakan pendekatan Scrum yang dikombinasikan dengan Human-Centered Design. Tahapan pelaksanaan terdiri dari lima fase utama:
- Analisis Kebutuhan mengidentifikasi permasalahan pengguna dan menentukan spesifikasi sistem melalui survei dan wawancara.
- Perancangan mencakup desain arsitektur sistem, struktur informasi (information architecture), basis data, dan antarmuka pengguna.
- Pengembangan implementasi seluruh komponen sistem secara paralel oleh tim berdasarkan pembagian tugas.
- Integrasi dan Pengujian memastikan seluruh komponen sistem berfungsi sesuai spesifikasi melalui berbagai skenario uji.
- Evaluasi dan Deployment perbaikan akhir berdasarkan hasil pengujian dan peluncuran sistem kepada pengguna target.
Pendekatan Agile dipilih karena fleksibilitasnya terhadap perubahan kebutuhan selama proses pengembangan (Schwaber & Sutherland, 2020).
3.4 Reflect-First Model
Pembeda utama PANCARONA dari platform sejenis adalah penerapan Reflect-First Model, di mana refleksi diri ditempatkan sebagai tahap awal sebelum rekomendasi diberikan. Pengguna menjalani proses self-assessment terstruktur yang mencakup eksplorasi minat, penilaian kompetensi, penetapan nilai personal, dan penentuan tujuan karier. Hasil self-assessment kemudian diproses menggunakan AHP untuk menghasilkan bobot prioritas yang diintegrasikan ke dalam Hybrid Recommender System, sehingga menghasilkan rekomendasi yang benar-benar dipersonalisasi sesuai kondisi aktual pengguna.
3.5 Kepatuhan Regulasi
Sistem dirancang sesuai dengan Undang-Undang No. 27 Tahun 2022 tentang Perlindungan Data Pribadi, di mana seluruh data diproses berdasarkan persetujuan pengguna dan tidak dibagikan tanpa izin eksplisit. Etika algoritma menerapkan prinsip fairness, accountability, and transparency untuk memastikan sistem rekomendasi yang adil, transparan, dan tidak diskriminatif terhadap kelompok pengguna tertentu.
4. Rancangan Pengujian dan Evaluasi
Pengujian produk dilakukan secara komprehensif melalui empat parameter utama sebagai berikut.
| Parameter | Metode | Subjek | Target |
|---|---|---|---|
| Fungsional & Sistem | Unit testing (Jest & pytest), Integration testing (Postman), E2E testing | Seluruh modul sistem | Coverage ≥80% |
| Usability (SUS) | Kuesioner System Usability Scale (10 item Likert) | 100 mahasiswa UNIKOM | Skor ≥75 (acceptable) |
| Efektivitas Keputusan (CDSE) | Pre-test & post-test menggunakan CDSE Scale (25 item) | 100 mahasiswa UNIKOM | Peningkatan skor ≥20% |
| Akurasi Rekomendasi | Precision@10 berdasarkan penilaian 2–3 praktisi HR | Output sistem rekomendasi | Precision@10 ≥85% |
Tabel 2. Parameter Pengujian PANCARONA
Pengujian usability menggunakan System Usability Scale (SUS) mengacu pada standar Bangor et al. (2020) dengan target skor minimal 75 yang termasuk kategori acceptable. Pengujian efektivitas keputusan menggunakan Career Decision Self-Efficacy Scale (Taylor & Betz, 1983) melalui metode pre-test dan post-test untuk mengukur peningkatan kepercayaan diri pengguna dalam pengambilan keputusan karier sebelum dan sesudah menggunakan PANCARONA.
5. Hasil yang Diharapkan
Berdasarkan rancangan yang telah ditetapkan, PANCARONA diharapkan mampu memberikan dampak signifikan pada tiga dimensi utama.
Dimensi Teknologi: Sistem berhasil mengagregasi lowongan dari minimal empat platform secara terpadu dalam satu antarmuka, algoritma rekomendasi mencapai Precision@10 ≥85%, dan fitur auto-fill form berhasil mengurangi form fatigue secara terukur.
Dimensi Pengguna: Skor SUS ≥75 mengindikasikan kemudahan penggunaan yang baik, dan peningkatan skor CDSE ≥20% membuktikan efektivitas sistem dalam meningkatkan kualitas pengambilan keputusan karier fresh graduate.
Dimensi Sosial-Ekonomi: Berkurangnya mismatch antara kompetensi fresh graduate dan kebutuhan industri, sehingga berkontribusi pada penurunan kerugian ekonomi akibat mismatch tenaga kerja yang saat ini diestimasi mencapai Rp 115 triliun per tahun.
Keunikan dan keaslian PANCARONA terletak pada integrasi simultan antara Hybrid Recommender System, AHP, dan Nudge Theory dalam satu platform pendukung keputusan karier yang mengedepankan Reflect-First Model sebagai landasan proses rekomendasi. Sejauh pengetahuan penulis, belum terdapat platform yang menggabungkan ketiga pendekatan tersebut secara bersamaan.
6. Kesimpulan
Artikel ini memaparkan rancangan PANCARONA sebagai solusi inovatif atas permasalahan information overload dan rendahnya kualitas keputusan karier pada fresh graduate Indonesia. Dengan mengintegrasikan Hybrid Recommender System, AHP, dan Nudge Theory dalam satu platform mobile Android, PANCARONA menawarkan pendekatan yang komprehensif—tidak hanya dari sisi teknologi, tetapi juga dari dimensi psikologis pengguna.
Sistem ini dirancang untuk mengagregasi lowongan dari empat platform terkemuka, menyediakan skill gap analysis yang terintegrasi, mengotomatisasi pengisian formulir lamaran, dan memberikan rekomendasi karier yang dipersonalisasi melalui Reflect-First Model. Rancangan pengujian yang komprehensif mencakup evaluasi fungsional, usability (SUS ≥75), efektivitas keputusan (CDSE ≥20%), dan akurasi rekomendasi (Precision@10 ≥85%) untuk memastikan validitas dan reliabilitas sistem sebelum dioperasionalkan secara penuh.
Hasil riset ini diharapkan dapat memberikan kontribusi nyata dalam mengurangi mismatch tenaga kerja di Indonesia dan mendukung peningkatan kualitas sumber daya manusia yang sesuai dengan kebutuhan industri, sejalan dengan Tema 6 PKM 2026 mengenai penguatan pendidikan, sains, dan teknologi.
Ucapan Terima Kasih
Penulis mengucapkan terima kasih kepada Universitas Komputer Indonesia atas dukungan fasilitas Laboratorium Rekayasa Perangkat Lunak dan bimbingan akademik. Penelitian ini merupakan bagian dari Program Kreativitas Mahasiswa Karya Inovatif (PKM-KI) tahun 2026 yang didanai oleh Belmawa Kemdikbud sebesar Rp 7.000.000 dan Universitas Komputer Indonesia sebesar Rp 700.000.
Daftar Pustaka
Bangor, A., Kortum, P. and Miller, J. (2020) ‘Determining what individual SUS scores mean’, Journal of Usability Studies, 15(2), pp. 78–95.
Bass, L., Clements, P. and Kazman, R. (2021) Software Architecture in Practice. 4th edn. Boston: Addison-Wesley.
Bawden, D. and Robinson, L. (2020) ‘Information overload: an overview’, in Oxford Encyclopedia of Political Decision Making. Oxford: Oxford University Press.
BPS (2023) Keadaan Ketenagakerjaan Indonesia Agustus 2023. Jakarta: Badan Pusat Statistik.
Brown, S.D. and Lent, R.W. (2020) Career Development and Counseling: Putting Theory and Research to Work. 3rd edn. Hoboken: Wiley.
Burke, R. (2021) ‘Hybrid recommender systems’, in Recommender Systems Handbook. Boston: Springer, pp. 231–262.
Isinkaye, F.O., Folajimi, Y.O. and Ojokoh, B.A. (2021) ‘Recommendation systems: principles, methods and evaluation’, Egyptian Informatics Journal, 22(3), pp. 261–273.
Jannach, D. and Adomavicius, G. (2021) ‘Recommendations with purpose’, IEEE Intelligent Systems, 36(4), pp. 6–12.
Kementerian Koordinator Bidang Perekonomian (2022) Analisis Dampak Mismatch Tenaga Kerja Terhadap Perekonomian Nasional. Jakarta: Kemenko Perekonomian.
Power, D.J. (2021) Decision Support Systems: A Historical Overview. New York: Springer.
Ricci, F., Rokach, L. and Shapira, B. (2022) ‘Recommender systems: techniques, applications, and evaluation’, in Recommender Systems Handbook. Boston: Springer, pp. 1–35.
Saaty, T.L. and Vargas, L.G. (2021) The Analytic Hierarchy Process: Planning, Priority Setting, Resource Allocation. Pittsburgh: RWS Publications.
Schwaber, K. and Sutherland, J. (2020) The Scrum Guide. Scrum.org.
Thaler, R.H. and Sunstein, C.R. (2021) Nudge: The Final Edition. New Haven: Yale University Press.
Muhammad Fajar Ramadhan | NIM 10123241 | Teknik Informatika | Universitas Komputer Indonesia