PENDETEKSIAN KEJUJURAN DALAM WAWANCARA CALON KARYAWAN PT UTAMA PRIMA CEMERLANG BERDASARKAN GERAK POLA MATA MENGGUNAKAN ALGORITMA RANDOM FOREST

Kejujuran merupakan salah satu aspek penting dalam proses wawancara calon karyawan, khususnya pada wawancara daring yang semakin umum digunakan. Namun, proses evaluasi kejujuran masih cenderung bersifat subjektif dan bergantung pada penilaian pewawancara. Penelitian ini mengembangkan sistem analisis pola gerak mata berbasis algoritma Random Forest sebagai alat bantu dalam proses wawancara calon karyawan di PT Utama Prima Cemerlang. Data dikumpulkan melalui aplikasi eye-tracking berbasis webcam standar yang merekam koordinat mata selama sesi wawancara daring. Dataset terdiri dari 30 sesi wawancara yang berasal dari 10 kandidat, di mana setiap kandidat menjalani tiga skenario, yaitu jujur, tidak jujur, dan netral. Data mentah dalam format CSV kemudian melalui tahapan preprocessing dan ekstraksi fitur yang meliputi gaze_x_var, gaze_y_var, blink_rate, dan fixation_ratio. Model Random Forest dilatih dan diuji menggunakan pendekatan stratified k-fold cross validation untuk memperoleh evaluasi yang lebih objektif. Hasil pengujian menunjukkan bahwa model mampu mengklasifikasikan pola gerakan mata berdasarkan fitur yang diekstraksi dengan performa yang tinggi pada data penelitian. Evaluasi menggunakan Confusion Matrix, precision, recall, F1-score, serta ROC Curve dan AUC menunjukkan bahwa model dapat membedakan kelas data secara konsisten pada kondisi eksperimen yang terkontrol. Namun demikian, keterbatasan jumlah sampel dan kondisi pengambilan data yang terkontrol membatasi generalisasi hasil terhadap situasi nyata yang lebih kompleks. Penelitian ini menyimpulkan bahwa sistem berbasis eye-tracking dan Random Forest dapat berfungsi sebagai alat bantu analisis perilaku berbasis gerak mata dalam konteks wawancara daring. Sistem ini tidak dimaksudkan sebagai alat penentu absolut kejujuran kandidat, melainkan sebagai pendekatan indikatif berbasis data. Pengembangan lebih lanjut dengan jumlah data yang lebih besar dan variasi kondisi yang lebih luas diperlukan untuk meningkatkan validitas dan reliabilitas sistem.