Proses rekrutmen modern sering kali menghadapi kendala dalam penyaringan ratusan resume secara manual yang memakan waktu, melelahkan, dan rentan terhadap bias subjektif. Sistem Applicant Tracking System (ATS) konvensional yang berbasis pencocokan kata kunci atau metode statistik seperti TF-IDF memiliki kelemahan mendasar karena tidak mampu menangkap makna semantik dan kontekstual dari teks. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem ATS berbasis semantic similarity menggunakan model Sentence-BERT dan Cosine Similarity guna meningkatkan keadilan, relevansi, dan akurasi dalam perangkingan pelamar. Pengembangan sistem menggunakan model Waterfall dengan arsitektur yang terintegrasi, meliputi frontend berbasis ReactJS, backend menggunakan ExpressJS, AI-service menggunakan flask untuk pemrosesan Natural Language Processing (NLP), dan PostgreSQL sebagai basis data. Pipeline NLP dirancang melalui ekstraksi teks PDF, preprocessing, Named Entity Recognition (NER) berbasis spaCy, konversi teks menjadi vektor embedding menggunakan Sentence-BERT (all-MiniLM-L6-v2), dan perhitungan kemiripan menggunakan Cosine Similarity. Hasil penelitian menunjukkan bahwa sistem ATS berhasil diimplementasikan dengan fitur scoring dan perangkingan kandidat otomatis berbasis semantik. Evaluasi sistem dilakukan melalui tiga metode: Black Box Testing dengan tingkat keberhasilan 100% dari 31 skenario, System Usability Scale (SUS) kepada jobseeker yang menghasilkan skor rata-rata 85,6 dengan Grade B dan Expert Judgement dari praktisi HR yang memberikan skor 92 dari 100. Penelitian ini menyimpulkan bahwa integrasi Sentence-BERT dan Cosine Similarity dalam sistem ATS terbukti efektif melampaui batasan pencocokan kata kunci konvensional, menghasilkan rekomendasi kandidat yang lebih kontekstual, adil, dan layak diimplementasikan dalam industri.