Situs Web Peta Jalan Karier Interaktif: Jalur Karier dengan Pelacakan Kemajuan dan Rekomendasi Berpanduan AI

Navigasi karier di sektor teknologi yang berkembang pesat menghadirkan tantangan kognitif dan motivasional yang substansial bagi pembelajar di semua tingkat. Peta jalan statis tradisional kurang mampu beradaptasi terhadap kemajuan individu, kesenjangan keterampilan, dan tuntutan industri yang berubah. Makalah ini menyajikan Situs Web Peta Jalan Karier Interaktif — platform berbasis web yang mengintegrasikan visualisasi jalur karier terstruktur, pelacakan kemajuan tonggak waktu nyata, dan rekomendasi personal berpanduan AI menggunakan large language model (LLM) yang disetel halus. Sistem ini mendefinisikan empat lintasan karier teknologi utama — Data Science, Full-Stack Development, Cybersecurity, dan Machine Learning Engineering — yang diuraikan menjadi tonggak hierarkis yang saling terkait prasyarat. Pengguna mencatat tonggak yang telah diselesaikan; mesin AI secara dinamis menghitung ulang langkah berikutnya dengan menalar atas penilaian keterampilan saat ini, metrik kecepatan belajar, dan sinyal permintaan industri langsung yang diperoleh melalui augmentasi pencarian web. Makalah ini merinci arsitektur sistem, desain mesin rekomendasi, prinsip interaksi manusia-komputer yang diterapkan, metodologi evaluasi, studi kasus, dan arah penelitian terbuka untuk platform pengembangan karier personal dalam skala besar.

Arsitektur sistem terdiri dari tiga komponen inti: graf pengetahuan jalur karier, modul pelacakan kemajuan, dan mesin rekomendasi AI. Graf pengetahuan mengodekan empat lintasan karier (Data Science, Full-Stack Development, Cybersecurity, Machine Learning Engineering) sebagai tonggak hierarkis yang saling terkait prasyarat. Setiap tonggak mencakup penilaian keterampilan dan sumber belajar. Pengguna berinteraksi dengan platform dengan mencatat tonggak yang telah diselesaikan, yang memperbarui profil keterampilan dan metrik kecepatan belajar mereka. Mesin AI, yang dibangun di atas large language model (LLM) yang disetel halus, secara dinamis menghitung ulang langkah berikutnya dengan menalar atas penilaian keterampilan pengguna saat ini, kecepatan belajar, dan sinyal permintaan industri langsung yang diperoleh melalui augmentasi pencarian web. Mesin rekomendasi menggunakan retrieval-augmented generation (RAG) untuk memasukkan tren industri terkini. Prinsip interaksi manusia-komputer memandu desain antarmuka untuk memastikan kegunaan dan keterlibatan. Evaluasi dilakukan melalui studi terkontrol acak dengan 120 partisipan selama delapan minggu, membandingkan platform interaktif dengan baseline peta jalan statis. Metrik mencakup kejelasan tujuan dan motivasi belajar yang dilaporkan sendiri, dianalisis menggunakan uji statistik.