Analisis Perbandingan Model Random Forest dan XGBoost dalam Memprediksi Turnover Karyawan

Muhamad Bayu Setiawan, Alam Rahmatulloh

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.


References


Abiyyu, A. S. (2023a). Perbandingan Metode Seleksi Fitur untuk Mengoptimasi Model Support Vector Machine dalam Memprediksi Turnover Pegawai. EProceedings of Engineering, 10(2), 1921. https://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article/view/20040

Abiyyu, A. S. (2023b). Perbandingan Metode Seleksi Fitur untuk Mengoptimasi Model Support Vector Machine dalam Memprediksi Turnover Pegawai (Vol. 10, Issue 2).

Chicco, D., Tötsch, N., & Jurman, G. (2021). The matthews correlation coefficient (Mcc) is more reliable than balanced accuracy, bookmaker informedness, and markedness in two-class confusion matrix evaluation. BioData Mining, 14, 1–22. https://doi.org/10.1186/s13040-021-00244-z

Dessler Gary. (2013). Human Resource Management, 13th Edition (13th ed.). Boston : Pearson Education., 2013.

Guerra, E., Wilhelmi, F., Miozzo, M., & Dini, P. (2023). The Cost of Training Machine Learning Models Over Distributed Data Sources. IEEE Open Journal of the Communications Society, 4, 1111–1126. https://doi.org/10.1109/OJCOMS.2023.3274394

Kusumaningtyas Titah Ayu. (2022). Pengaruh Kepuasan Kerja Terhadap Turnover Intention Karyawan Generasi Milenial (Studi Pada Industri Finance Di Kecamatan Jombang). SEKOLAH TINGGI ILMU EKONOMI (STIE) PGRI DEWANTARA JOMBANG.

Louak, M. J. (2021). Employee Turnover Prediction with Machine Learning Algorithms.

Manggabarani, A. S., Marzuki, F., & Mahendro. (2020). The Effect Of Milenial Generation Characteristics Of Job Satisfaction Relations And Employee Engagement. Ilomata International Journal of Management, 1(4), 239–248. https://doi.org/10.52728/ijjm.v1i4.166

Maria, R. (2023). Dampak Turnover Karyawan pada Bisnis dan Cara Mengatasinya. Greatdayhr.

Nasution, W. A. (2009). Pengaruh Kepuasan Kerja Karyawan Terhadap Intensi Turnover Pada Call Center Telkomsel di Medan. Jurnal MANDIRI, 4.

Schratz, P., Muenchow, J., Iturritxa, E., Richter, J., & Brenning, A. (2019). Hyperparameter tuning and performance assessment of statistical and machine-learning algorithms using spatial data. Ecological Modelling, 406, 109–120. https://doi.org/10.1016/j.ecolmodel.2019.06.002

Ursenbach, J., O’Connell, M. E., Neiser, J., Tierney, M. C., Morgan, D., Kosteniuk, J., & Spiteri, R. J. (2019). Scoring algorithms for a computer-based cognitive screening tool: An illustrative example of overfitting machine learning approaches and the impact on estimates of classification accuracy. Psychological Assessment, 31(11), 1377–1382. https://doi.org/10.1037/pas0000764

Zhao, Y., Hryniewicki, M. K., Cheng, F., Fu, B., & Zhu, X. (2019). Employee Turnover Prediction with Machine Learning: A Reliable Approach (pp. 737–758). https://doi.org/10.1007/978-3-030-01057-7_56

Zulaikha, S., Nasrudin, M., & Lestari, E. P. (2021). Dialectic of Public Sphere vs Private Sphere in Millennial Families in Lampung Customary Law Community. Samarah, 5(2), 928–956. https://doi.org/10.22373/sjhk.v5i2.9150

광 호김, 병 훈장, 황 규최, Ho Kim, K., Chang, B., & Kyu Choi, H. (2019). Deep Learning Based Short-Term Electric Load Forecasting Models using One-Hot Encoding. Online) j.Inst.Korean.Electr.Electron.Eng, 23(3), 19–22. https://doi.org/10.7471/ikeee.2019.23.3.852




DOI: https://doi.org/10.24853/justit.15.2.393%20–%20400

Refbacks

  • There are currently no refbacks.


This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License

Statistik Pengunjung

Powered by Puskom-UMJ