Analisis Perbandingan Model Random Forest dan XGBoost dalam Memprediksi Turnover Karyawan

Abstract

Turnover karyawan merupakan tantangan besar bagi organisasi, karena memengaruhi produktivitas, stabilitas tim, dan menimbulkan biaya besar terkait perekrutan, orientasi, dan pelatihan. Untuk mengatasi masalah ini, analisis prediktif menggunakan machine learning menawarkan pendekatan yang ampuh untuk mengetahui faktor-faktor yang memengaruhi turnover karyawan dan memungkinkan strategi berbasis data untuk retensi karyawan. Studi ini mengevaluasi kinerja prediktif dua model machine learning tingkat lanjut, Random Forest dan XGBoost, menggunakan dataset karyawan. Model-model ini dipilih karena kemampuannya menangani data berdimensi tinggi, menangkap hubungan non-linier, dan memberikan hasil klasifikasi yang andal. Performa model dinilai menggunakan metrik utama seperti accuracy, precision, recall, dan f1-score, dengan peningkatan tambahan yang dicapai melalui tuning hyperparameter. Hasilnya menunjukkan bahwa XGBoost sedikit mengungguli Random Forest, dengan mencapai akurasi 98,83% dibandingkan 98,80%, yang menunjukkan ketangguhannya dalam tugas prediktif. Meskipun terdapat perbedaan kecil, kedua model menunjukkan potensi yang kuat dalam mengatasi prediksi turnover. Hal ini menunjukkan pentingnya pendekatan berbasis data dalam pengambilan keputusan organisasi. Dengan memanfaatkan model ini, perusahaan dapat mengembangkan strategi yang ditargetkan untuk meminimalkan risiko pergantian karyawan, meningkatkan retensi karyawan, dan meningkatkan keberhasilan organisasi.