<![CDATA[Penentuan gaji karyawan yang adil dan kompetitif masih menjadi persoalan dalam manajemen sumber daya manusia. Penelitian ini membandingkan lima metode machine learning, yaitu Gradient Boosting, Regresi Linear, Polynomial Regression, K-Nearest Neighbors (KNN), dan Decision Tree, untuk memprediksi gaji berdasarkan umur, pengalaman kerja, dan tingkat pendidikan. Data yang digunakan berjumlah 375 data karyawan dan tersisa 324 data setelah pembersihan; mengikuti tahapan CRISP-DM, setiap model dievaluasi pada empat teknik normalisasi dan satu kondisi tanpa normalisasi. Gradient Boosting memberikan hasil terbaik dengan nilai R² sebesar 0,965 dan MAPE 7,23% pada kondisi tanpa normalisasi. Normalisasi Z-Score dan Min-Max mempertahankan performa tersebut, sedangkan normalisasi L1 justru menaikkan performa Decision Tree hingga R² sebesar 0,9616. Sebagai implementasi, dibangun aplikasi web berbasis Streamlit agar praktisi HR dapat mencoba prediksi gaji secara langsung. Hasil penelitian menunjukkan bahwa prediksi gaji berbasis data karyawan dapat dilakukan dengan baik dan berpotensi membantu perusahaan menyusun struktur gaji yang lebih transparan.]]>
Copyrights © 2026
