Penelitian ini menggunakan data sertifikasi yang dimiliki oleh karyawan di PT. ICON Plus. Permasalahan penelitian ini dalam menganalisis dan memproses data sertifikasi untuk memprediksi profesi setiap karyawan berdasarkan sertifikasi yang dapat menghasilkan rekomendasi profesi karyawan yang sesuai di PT. ICON Plus. Penelitian ini bertujuan untuk mengoptimalkan penempatan karyawan pada profesi yang sesuai dengan kompetensi mereka, berdasarkan analisis data sertifikasi. Metode Natural Language Processing (NLP) diterapkan pada proses pengolahan data teks sertifikasi, melalui langkah-langkah seperti tokenizing, stopword removal dan stemming, sebelum akhirnya membangun model prediksi menggunakan model Naive Bayes, BERT, dan TF IDF Embedding. Model ini dievaluasi menggunakan metrik seperti akurasi, precision, recall, dan F1-score. Hasil evaluasi menunjukkan bahwa model Naive Bayes dengan TF IDF memberikan akurasi sebesar 85.3%, dengan precision sebesar 93.6%, recall sebesar 84.6%, dan F1-score sebesar 88.8%. Hasil ini menunjukkan bahwa model mampu memprediksi profesi yang sesuai berdasarkan sertifikasi dengan baik, meskipun terdapat beberapa tantangan dalam klasifikasi profesi yang memiliki sertifikasi dengan deskripsi yang umum atau mirip. Rekomendasi profesi yang dihasilkan dari model ini diharapkan dapat digunakan oleh PT. ICON Plus untuk penempatan karyawan, serta untuk perencanaan pengembangan karir yang lebih terarah. Implementasi NLP dalam penelitian ini juga memberikan kontribusi penting bagi pengambilan keputusan manajemen terkait pengembangan sumber daya manusia, dengan menawarkan wawasan yang lebih mendalam dan strategis dalam pengembangan karyawan berdasarkan analisis sertifikasi.

This research uses certification data owned by employees at PT ICON Plus. The problem of this research is in analyzing and processing certification data to predict the profession of each employee based on certification which can produce recommendations for the appropriate employee profession at PT. ICON Plus. This research aims to optimize the placement of employees in professions that match their competencies, based on certification data analysis. Natural Language Processing (NLP) methods are applied to the processing of certification text data, through steps such as tokenizing, stopword removal and stemming, before finally building a prediction model using Naive Bayes, BERT, and TF-IDF Embedding models. These models are evaluated using metrics such as accuracy, precision, recall, and F1-score. The evaluation results show that the Naive Bayes model with TF-IDF provides an accuracy of 85.3%, with a precision of 93.6%, recall of 84.6%, and F1-score of 88.8%. These results show that the model is able to predict the appropriate profession based on certification well, although there are some challenges in the classification of professions that have certifications with common or similar descriptions. The profession recommendations generated from this model are expected to be used by PT ICON Plus for employee placement, as well as for more targeted career development planning. The implementation of NLP in this research also makes an important contribution to management decision-making related to human resource development, by offering more in-depth and strategic insights in employee development based on certification analysis.