<![CDATA[Angka turnover karyawan tetap menjadi masalah kritis bagi organisasi, seringkali menyebabkan biaya yang signifikan terkait perekrutan, pelatihan, dan kehilangan pengetahuan. Meskipun pendekatan machine learning telah digunakan untuk memprediksi turnover karyawan, sebagian besar model bergantung pada data statis yang diambil pada satu titik waktu, sehingga mengabaikan perkembangan temporal pengalaman dan perilaku karyawan. Studi ini mengusulkan kerangka kerja modeling berurutan untuk prediksi turnover menggunakan teknik deep learning, khususnya jaringan Long Short-Term Memory (LSTM) dan arsitektur berbasis Transformer. Sebuah dataset longitudinal sintetis dihasilkan dengan mensimulasikan catatan karyawan bulanan selama 12 bulan berdasarkan dataset HR benchmark yang ada, memungkinkan penangkapan tren temporal pada 15 faktor kunci seperti kepuasan kerja, kompensasi, frekuensi lembur, dan perkembangan karier. Model yang diusulkan menunjukkan kinerja prediktif yang superior (AUC > 0,92) dibandingkan dengan klasifikasi tradisional, dengan kemampuan deteksi dini sejak bulan ke-3, dan menyediakan interpretabilitas melalui mekanisme perhatian dan atribusi fitur berbasis SHAP. Selain itu, kami mengintegrasikan analisis kontrafaktual untuk mengevaluasi dampak potensial intervensi HR terhadap risiko turnover, serta menguji keadilan algoritmik terhadap bias demografis. Hasil menunjukkan bahwa model tidak hanya meningkatkan akurasi prediksi, tetapi juga mendukung strategi retensi yang dapat ditindaklanjuti, dipersonalisasi, dan adil secara etis. Penelitian ini berkontribusi pada pengembangan model temporal dan interpretabil dalam analitik HR prediktif dan menawarkan pendekatan skalabel untuk manajemen talenta proaktif. Kata kunci : turnover karyawan, deep learning temporal, LSTM, Temporal Fusion Transformer, penjelasan kontrafaktual, SHAP, analitik SDM]]>
Copyrights © 2025
