Analisis Perbandingan Algoritma Decision Tree untuk Prediksi Karyawan dengan Potensi Atrisi di PT. XYZ
DOI:
https://doi.org/10.61805/fahma.v22i1.112Kata Kunci:
Atrisi Karyawan, Klasifikasi, Machine Learning, Decision TreeAbstrak
Sumber daya manusia (SDM) merupakan salah satu komponen penting bagi setiap perusahaan. Setiap perusahaan tentunya menginginkan SDM yang handal agar dapat bertumbuh untuk mencapai tujuannya. Untuk itu dibutuhkan strategi dalam mengatur SDM perusahaan yaitu manajemen SDM. Salah satu tujuan dari manajemen SDM adalah mempertahankan karyawan yang berkompeten dalam pekerjaannya, akan tetapi Perusahaan sering kali diperhadapkan pada permasalahan atrisi karyawan (hilangnya karyawan melalui sejumlah keadaan, seperti pengunduran diri dan pension). Dampak dari atrisi karyawan antara lain dapat membuat pendapatan suatu perusahaan menjadi berkurang, dan bahkan memengaruhi produktivitas organisasi. Penelitian ini bermaksud membandingkan beberapa algoritma decision tree dalam memprediksi kasus atrisi karyawan di PT. XYZ. Kelima algoritma dimaksud adalah algoritma C4.5, CART, Random Forest, Gradient Boost dan Adaboost. Hasil dari penelitian ini menyimpulkan bahwa algoritma C4.5 dan random forest menunjukkan hasil klasifikasi terbaik dikarenakan keduanya mempunyai persentasi hasil tertinggi di antara metrik yang digunakan sebagai acuan klasifikasi dari algoritma-algoritma yang digunakan.
Unduhan
Referensi
E. Novitasari, PENGANTAR MANAJEMEN: Panduan Menguasai Ilmu Manajemen. Anak Hebat Indonesia, 2017.
U. Subagyo and F. Santoso, “Sistem Pendukung Keputusan Penilaian Kinerja Pegawai Pada FIFGROUP dengan Metode Simple Additive Weighting,” Jurnal Informatika Komputer, Bisnis dan Manajemen, vol. 20, no. 2, pp. 75–86, 2022, doi: https://doi.org/10.61805/fahma.v20i2.31.
T. H. Lamramot, A. I. Hadiana, and I. Santikarama, “Sistem Prediksi Awal Terhadap Atrisi Karyawan Menggunakan Algoritma C4.5 INFORMASI ARTIKEL A B S T R A K,” 2022. [Online]. Available: https://e-journal.unper.ac.id/index.php/informatics
F. Fallucchi, M. Coladangelo, R. Giuliano, and E. W. De Luca, “Predicting employee attrition using machine learning techniques,” Computers, vol. 9, no. 4, pp. 1–17, 2020, doi: 10.3390/computers9040086.
V. Nowotny, “HUMAN RESOURCE PROFESSIONALIZATION IN STARTUPS General Management,” Johannes Kepler University Linz, Altenberger Strabe, 2020.
N. Indah Prabawati, Widodo, and H. Ajie, “Kinerja Algoritma Classification And Regression Tree (Cart) dalam Mengklasifikasikan Lama Masa Studi Mahasiswa yang Mengikuti Organisasi di Universitas Negeri Jakarta,” PINTER : Jurnal Pendidikan Teknik Informatika dan Komputer, vol. 3, no. 2, pp. 139–145, Dec. 2019, doi: 10.21009/pinter.3.2.9.
A. Raza, K. Munir, M. Almutairi, F. Younas, and M. M. S. Fareed, “Predicting Employee Attrition Using Machine Learning Approaches,” Applied Sciences (Switzerland), vol. 12, no. 13, Jul. 2022, doi: 10.3390/app12136424.
A. Qutub, A. Al-Mehmadi, M. Al-Hssan, R. Aljohani, and H. S. Alghamdi, “Prediction of Employee Attrition Using Machine Learning and Ensemble Methods,” Int J Mach Learn Comput, vol. 11, no. 2, pp. 110–114, Mar. 2021, doi: 10.18178/ijmlc.2021.11.2.1022.
N. J. Apao, L. S. Feliscuzo, C. C. Lyn Sta Romana, and J. S. Aurea Tagaro, “Multiclass Classification Using Random Forest Algorithm To Prognosticate The Level Of Activity Of Patients With Stroke,” International Journal of Scientific & Technology Research, vol. 9, no. 04, pp. 1233–1240, 2020, [Online]. Available: www.ijstr.org
O. Wisesa, A. Adriansyah, and O. I. Khalaf, “Prediction Analysis Sales for Corporate Services Telecommunications Company using Gradient Boost Algorithm,” in 2020 2nd International Conference on Broadband Communications, Wireless Sensors and Powering, BCWSP 2020, Institute of Electrical and Electronics Engineers Inc., Sep. 2020, pp. 101–106. doi: 10.1109/BCWSP50066.2020.9249397.
A. Rehman Javed, Z. Jalil, S. Atif Moqurrab, S. Abbas, and X. Liu, “Ensemble Adaboost classifier for accurate and fast detection of botnet attacks in connected vehicles,” Transactions on Emerging Telecommunications Technologies, vol. 33, no. 10, Oct. 2022, doi: 10.1002/ett.4088.
W. Bangun, “Manajemen Sumber Daya Manusia,” 2012.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2024 Ilyas Jayanto, Benisius (Penulis)
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
