Prediksi Pengunduran Diri Karyawan Perusahaan “Y” Menggunakan Random Forest

Fajar Akbardipura, Daniel Dwi Eryanto Manurung, Fachran Sandi, Hashfi Ashfahan, Desta Sandya Prasvita

Abstract


Kemajuan teknologi mempengaruhi beberapa bidang, terutama dalam bidang manajemen SDM. Teknologi tersebut merubah cara departemen SDM beroperasi, sehingga dapat mengarahkan pada tingkat efisiensi yang lebih tinggi dan juga hasil yang lebih baik. Jumlah karyawan mengundurkan diri yang tinggi pada perusahaan dapat menimbulkan kemunduran bisnis, oleh karena itu penting untuk perusahaan mengetahui alasan karyawan resign dari perusahaan. Dalam penelitian ini, perusahaan dapat memprediksi pengunduran diri karyawan. Hal ini penting dilakukan bagi HRD serta manajer untuk memahami apa yang biasanya menjadi faktor resign seorang karyawan dan melakukan upaya pencegahan berdasarkan alasan tersebut. Pada penelitian ini menggunakan data karyawan fiktif yang dimiliki oleh perusahaan. Tahapan penelitian meliputi pengumpulan data, pra-pemprosesan, pengolahan menggunakan algoritma penelitian,  analisis data untuk mencari korelasi antar atribut, dan interpretasi LIME yang dapat membantu untuk memahami secara individual penyebab karyawan mengundurkan diri. Pada penelitian ini menggunakan metode Random Forest, hasil akurasi yang didapatkan sebesar 87% dan error sebesar 13%.


Keywords


SDM;Random Forest;Pengunduran Diri

References


Andie. (2016). Penerapan Decision Tree Untuk Menganalisis Mahasiswa Baru. Technologia, 7(1), 8–14.

Fauzi, A. M. (2018). Random Forest Approach for Sentiment Analysis in Indonesia Language. Indonesian Journal of Electrical Engineering and Computer Science, 12(1), 46-50.

Mahanggara, A., & Laksito, A. D. (2019). Prediksi Pengunduran Diri Mahasiswa Universitas Amikom Yogyakarta Menggunakan Metode Naive Bayes. Simetris: Jurnal Teknik Mesin, Elektro Dan Ilmu Komputer, 10(1), 273–280. https://doi.org/10.24176/simet.v10i1.2967

Mishra, S. N., & Lama, D. R. (2016). A Decision Making Model for Human Resource Management in Organizations using Data Mining and Predictive Analytics. International Journal of Computer Science and Information Security (IJCSIS), 14(5), 217–221.

Nasril, F., Indiyati, D., & Ramantoko, G. (2021). Talent Performance Analysis Using People Analytics Approach. Budapest International Research and Critics Institute (BIRCI-Journal): Humanities and Social Sciences, 4(1), 216–230. https://doi.org/10.33258/birci.v4i1.1585

Provost, F. (2000). Machine learning from imbalanced data sets 101. Proceedings of the AAAI’2000 Workshop on …, 3. https://www.aaai.org/Papers/Workshops/2000/WS-00-05/WS00-05-001.pdf%5Cnpapers://1c40c143-2a6e-4e94-8c17-c5bc9ae73d7e/Paper/p11435

Setianto, K. S., & Jatikusumo, D. (2020). Employee Turnover Analysis Using Comparison of Decision Tree and Naïve Bayes Prediction Algorithms on K-Means Clustering Algorithms at PT. AT. Jurnal Mantik, 4(3), 1573-1581.

Visani, G., Bagli, E., & Chesani, F. (2020). OptiLIME: Optimized lime explanations for diagnostic computer algorithms. CEUR Workshop Proceedings, 2699.


Refbacks

  • There are currently no refbacks.


Copyright (c) 2022 Senamika

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.