<![CDATA[Kehilangan karyawan menjadi isu vital dalam dinamika organisasi karena dampaknya yang signifikan terhadap produktivitas dan stabilitas tenaga kerja. Penelitian ini menerapkan teknik machine learning untuk mengantisipasi pergantian karyawan dengan menggabungkan seleksi fitur, oversampling, dan algoritma ensemble. Empat pendekatan yang dibandingkan adalah RFE-SMOTE-ADABOOST, RFE-ADABOOST, SMOTE-ADABOOST, dan SMOTE-ADABOOST dengan Hyperparameter. Evaluasi dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa SMOTE-ADABOOST dengan Hyperparameter mencapai kinerja tertinggi, dengan akurasi 0,907, presisi 0,912, recall 0,898, dan F1-score 0,905. Model ini mengidentifikasi 10 faktor kunci yang mempengaruhi prediksi pergantian karyawan, seperti Education Field, Business Travel, dan Monthly Income. Kesimpulannya, model SMOTE-ADABOOST dengan Hyperparameter terbukti paling efektif dalam memprediksi kehilangan karyawan. Implikasi dari hasil evaluasi ini menunjukkan bahwa organisasi dapat secara proaktif mengidentifikasi dan mengelola faktor-faktor kunci yang mempengaruhi retensi karyawan, sehingga meningkatkan stabilitas tenaga kerja dan produktivitas keseluruhan.]]>
Copyrights © 2024
