Proses seleksi dan penempatan pegawai di Information Technology Certification Center (ITCC) ITPLN selama ini masih dilakukan secara manual sehingga rentan terhadap subjektivitas, bias, serta kurang efisien. Penelitian ini bertujuan mengembangkan sistem rekomendasi penempatan pegawai berbasis teks dengan pendekatan Natural Language Processing (NLP), yaitu Bidirectional Encoder Representations from Transformers (BERT) dan Cosine Similarity. Data yang digunakan berupa dokumen Curriculum Vitae (CV) dan sertifikat pendukung yang diolah menjadi representasi vektor semantik, kemudian dihitung tingkat kemiripannya dengan kebutuhan divisi untuk menghasilkan rekomendasi penempatan yang relevan. Sistem dibangun menggunakan Python, Streamlit, dan SQLite dalam bentuk prototipe aplikasi. Evaluasi dilakukan dengan membandingkan hasil rekomendasi sistem dengan data penempatan aktual menggunakan metrik Top-1 Accuracy. Hasil penelitian menunjukkan bahwa pendekatan ini mampu meningkatkan efisiensi proses seleksi, mengurangi bias subjektif, serta memberikan hasil penempatan yang lebih objektif, terukur, dan konsisten pada ITCC ITPLN.

The employee selection and placement process at the Information Technology Certification Center (ITCC) ITPLN is still carried out manually, making it prone to subjectivity, bias, and inefficiency. This study aims to develop a text-based employee placement recommendation system using Natural Language Processing (NLP) approaches, namely Bidirectional Encoder Representations from Transformers (BERT) and Cosine Similarity. The data used consists of Curriculum Vitae (CV) documents and supporting certificates, which are transformed into semantic vector representations and then measured for similarity with division requirements to generate relevant placement recommendations. The system was built using Python, Streamlit, and SQLite as a prototype application. Evaluation was conducted by comparing the system’s recommendations with actual placement data using the Top-1 Accuracy metric. The results show that this approach improves selection efficiency, reduces subjective bias, and provides more objective, measurable, and consistent placement outcomes at ITCC ITPLN.