Prediksi Faktor-Faktor Yang Mempengaruhi Keputusan Karyawan Meninggalkan Perusahaan Menggunakan Algoritma Random Forest
DOI:
https://doi.org/10.52436/1.jpti.915Kata Kunci:
Machine Learning, Prediksi Retensi Karyawan, Random ForestAbstrak
Keputusan karyawan untuk mengundurkan diri dari perusahaan merupakan masalah penting yang dapat mempengaruhi kinerja dan keberlangsungan operasional perusahaan. Memahami faktor-faktor yang mendorong pengunduran diri karyawan sangat penting untuk merancang strategi retensi yang efektif, mengurangi tingkat turnover, dan meningkatkan kepuasan kerja. Penelitian ini bertujuan untuk memprediksi faktor-faktor yang mempengaruhi keputusan karyawan dalam mengundurkan diri dari perusahaan dengan menggunakan algoritma Random Forest, serta mengembangkan model prediksi yang dapat memberikan wawasan bagi perusahaan dalam meningkatkan strategi retensi karyawan. Metode yang digunakan dalam penelitian ini adalah algoritma Random Forest, yang diterapkan pada dataset publik yang diambil dari Kaggle. Proses evaluasi model dilakukan dengan menggunakan metrik akurasi, precision, recall, dan F1-score untuk mengukur kinerja model dalam memprediksi pengunduran diri karyawan. Hasil penelitian menunjukkan bahwa algoritma Random Forest berhasil mencapai akurasi prediksi sebesar 85%. Faktor utama yang mempengaruhi pengunduran diri karyawan adalah tahun bergabung, usia, dan kota tempat bekerja. Dampak penelitian ini diharapkan dapat membantu perusahaan dalam merancang strategi retensi karyawan yang lebih efektif dan berbasis data.
Unduhan
Referensi
M. R. Shafie, H. Khosravi, S. Farhadpour, S. Das, and I. Ahmed, “A cluster-based human resources analytics for predicting employee turnover using optimized Artificial Neural Networks and data augmentation,” Decision Analytics Journal, vol. 11, Jun. 2024, doi: 10.1016/j.dajour.2024.100461.
Luthfiyyah Wasiilah Maahiroh, “Klasifikasi Turnover Karyawan Menggunakan Algoritma XGBoost (Studi kasus: Divisi Engineering, Perusahaan Jasa Pertambangan),” 2024, Accessed: May 10, 2025. [Online]. Available: https://dspace.uii.ac.id/handle/123456789/dspace.uii.ac.id/123456789/49400
Y.-S. Lee and W.-K. Liu, “The Moderating Effects of Employee Benefits and Job Burnout among the Employee Loyalty, Corporate Culture and Employee Turnover,” Universal Journal of Management, vol. 9, no. 2, pp. 62–69, Mar. 2021, doi: 10.13189/ujm.2021.090205.
S. K. Setianto and D. Jatikusumo, “Employee Turnover Analysis Using Comparison of Decision Tree and Naive Bayes Prediction Algorithms on K-Means Clustering Algorithms at PT. AT,” Jurnal Mantik, vol. 4, no. 3, 2020, [Online]. Available: https://iocscience.org/ejournal/index.php/mantik
E. Sri Palupi, “EMPLOYEE TURNOVER CLASSIFICATION USING PSO-BASED NAÏVE BAYES AND NAÏVE BAYES ALGORITHM IN PT. MASTERSYSTEM INFOTAMA,” 2021. [Online]. Available: www.bsi.ac.id
A. White, “Organizational Climate Variables and Performance as Predictors of Voluntary and Involuntary Turnover Among Nurses,” 2022. Accessed: May 10, 2025. [Online]. Available: https://search.proquest.com/openview/357445382dde2944873441e1f6dbf794/1?pq-origsite=gscholar&cbl=18750&diss=y
G. Anwar and N. N. Abdullah, “The impact of Human resource management practice on Organizational performance,” International journal of Engineering, Business and Management (IJEBM), vol. 5, no. 1, pp. 2456–8678, 2021, doi: 10.22161/ijebm.5.1.
Helmi Imaduddin, Aditya Hermansyah Brian, Aura Salsabilla, and Frischa B, “ARISON OF SUPPORT VECTOR MACHINE AND DECISION TREE METHODS IN THE CLASSIFICATION OF BREAST CANCER,” 2021. doi: http://dx.doi.org/10.22373/cj.v5i1.8805.
Daniel Dwi Eryanto Manurung, Fachran Sandi, Fajar Akbardipura, Hashfi Ashfahan, and Desta Sandya Prasvita, “Prediksi Pengunduran Diri Karyawan Perusahaan ‘Y’ Menggunakan Random Forest,” 2021, Accessed: May 10, 2025. [Online]. Available: https://conference.upnvj.ac.id/index.php/senamika/article/view/1655
Safitri Linawati, Siti Nurdian, Kartika Handayan, and Latifah, “PREDIKSI PRESTASI AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA RANDOM FOREST DAN C4.5,” Jurnal Khatulistiwa Informatika, vol. VIII, no. 1, 2020, [Online]. Available: www.bsi.ac.id
O. Iparraguirre-Villanueva, L. Chauca-Huete, R. Prieto-Chavez, and C. Paulino-Moreno, “Employee attrition prediction using machine learning models,” in Proceedings of the LACCEI international Multi-conference for Engineering, Education and Technology, Latin American and Caribbean Consortium of Engineering Institutions, 2024. doi: 10.18687/LACCEI2024.1.1.498.
M. Pratt, M. Boudhane, and S. Cakula, “Employee attrition estimation using random forest algorithm,” Baltic Journal of Modern Computing, vol. 9, no. 1, pp. 49–66, 2021, doi: 10.22364/BJMC.2021.9.1.04.
A. A. Shlash Mohammad et al., “Machine Learning Models for Predicting Employee Attrition: A Data Science Perspective,” Data and Metadata, vol. 4, p. 669, Feb. 2025, doi: 10.56294/dm2025669.
A. Maehendrayuga, A. Setyanto, and Kusnawi, “Analisa Prediksi Turnover Karyawan menggunakan Machine Learning,” bit-Tech, vol. 7, no. 2, pp. 648–659, Dec. 2024, doi: 10.32877/bt.v7i2.1999.
Dimas Bayu Stiawan and Yusuf Sulistyo Nugroho, “Perbandingan Performa Algoritma Decision Tree,” Indonesian Journal of Computer Science Attribution, vol. 12, no. 4, p. 2108, 2023, doi: https://doi.org/10.33022/ijcs.v12i4.3339.
Febrian Andy Kusuma and Endang Wahyu Pamungkas, “PENDETEKSIAN HATE SPEECH PADA SOSIAL MEDIA INDONESIA DENGAN ALGORITMA SUPPORT VECTOR MACHINE (SVM) DAN DECISION TREE,” 2023. Accessed: Apr. 19, 2025. [Online]. Available: https://eprints.ums.ac.id/111722/1/Naskah%20Publikasi_Febrian%20Andy%20Kusuma_L200190137.pdf%20%281%292.pdf
D. Haganta Depari, Y. Widiastiwi, and M. Mega Santoni, “Perbandingan Model Decision Tree, Naive Bayes dan Random Forest untuk Prediksi Klasifikasi Penyakit Jantung,” JURNAL INFORMATIK, vol. 18, p. 2022, 2022, doi: https://doi.org/10.52958/iftk.v18i3.4694.
A. Ferdita Nugraha, R. Faticha, A. Aziza, and Y. Pristyanto, “Penerapan metode Stacking dan Random Forest untuk Meningkatkan Kinerja Klasifikasi pada Proses Deteksi Web Phishing,” Jurnal InfoMedia, vol. 7, no. 1, 2022, doi: http://dx.doi.org/10.30811/jim.v7i1.2959.
F. Yulian Pamuji, V. Puspaning Ramadhan, and R. Artikel, “Komparasi Algoritma Random Forest Dan Decision Tree Untuk Memprediksi Keberhasilan Immunotheraphy,” Jurnal Teknologi Dan Manajemen Informatika, vol. 7, no. https://jurnal.unmer.ac.id/index.php/jtmi/issue/view/451, pp. 46–50, 2021, doi: https://doi.org/10.26905/jtmi.v7i1.5982.
A. Mohammed and R. Kora, “A comprehensive review on ensemble deep learning: Opportunities and challenges,” Feb. 01, 2023, King Saud bin Abdulaziz University. doi: 10.1016/j.jksuci.2023.01.014.
