<![CDATA[Tingkat keluar-masuk karyawan (employee attrition) merupakan tantangan utama dalam manajemen sumber daya manusia karena berdampak langsung pada biaya operasional dan stabilitas organisasi. Penelitian ini bertujuan membandingkan performa tiga algoritma machine learning yaitu Logistic Regression, Random Forest, dan XGBoost dalam memprediksi attrition karyawan berdasarkan 1.057 data ulasan karyawan di Indonesia (employee reviews) beserta atribut skor kepuasan kerja. Ketidakseimbangan kelas pada label target ditangani menggunakan Synthetic Minority Over-sampling Technique (SMOTE) yang digabungkan dengan StandardScaler dalam satu pipeline untuk mencegah kebocoran data selama validasi silang. Optimasi hyperparameter dilakukan dengan RandomizedSearchCV dan validasi 5-fold stratified, serta pengujian stabilitas melalui repeated stratified k-fold sebanyak 50 kali pengulangan. Evaluasi pada data uji dilakukan dengan metrik Accuracy, Precision, Recall, F1-Score, Matthews Correlation Coefficient, dan ROC-AUC. Hasil menunjukkan XGBoost memberikan ROC-AUC tertinggi (0,598), diikuti Random Forest (0,573) dan Logistic Regression (0,564). Analisis feature importance dan SHAP (SHapley Additive exPlanations) secara konsisten mengidentifikasi fitur firm, years_working, overall, dan management sebagai faktor paling dominan dalam keputusan attrition. Nilai SHAP yang relatif kecil menunjukkan sinyal prediktif dari data yang tersedia masih lemah, sehingga akurasi model belum optimal meskipun pemodelan telah dilakukan secara sistematis. Temuan ini merekomendasikan penguatan program retensi pada aspek kepuasan kerja, manajemen, dan masa kerja karyawan. Secara implikatif, penelitian ini berkontribusi pada bidang pendidikan dan teknologi dengan menunjukkan penerapan praktis teknik pembelajaran mesin (SMOTE-Pipeline dan SHAP) yang dapat diadopsi sebagai bahan ajar analitik data dan sistem pendukung keputusan berbasis kecerdasan buatan di lingkungan pendidikan vokasi maupun industri.]]>
