<![CDATA[Tingginya employee turnover (18,4% global) menimbulkan gangguan operasional dan kebocoran finansial kronis. Penelitian ini mengimplementasikan pipeline analitik berbasis Random Forest Classifier untuk memprediksi attrition karyawan melalui ekstraksi pola non-linier dalam ruang fitur SDM. Hasilnya mengungkap “sebagai prediktor” dominan, sementara Surat Peringatan muncul sebagai paradoks prediktif melalui interaksi tersembunyi dengan variabel tekanan kerja. Fenomena yang hanya terkuak berkat kapasitas ensemble learning dalam menangkap high-dimensional decision boundaries. Model menunjukkan asimetri kinerja (recall kelas minoritas: 67,3%) akibat ketidakseimbangan data (rasio 1,9:1), memerlukan strategi cost-sensitive learning untuk mitigasi false negative. Temuan ini mentransformasi kebijakan SDM: dari retensi generik berbasis senioritas menuju paket personalisasi berbasis risk profiling dan competency micro-skilling, sekaligus menggeser fungsi HR dari administratif reaktif menjadi strategic predictive core. ]]>
Copyrights © 2025
