UNPAMUNPAM

Jurnal Informatika Universitas PamulangJurnal Informatika Universitas Pamulang

Penelitian ini bertujuan untuk membandingkan kinerja algoritma Naive Bayes dan Decision Tree dalam melakukan prediksi klasifikasi karyawan yang cenderung untuk berganti pekerjaan. Analisis dilakukan untuk mengidentifikasi algoritma mana yang lebih efektif dan akurat dalam mengklasifikasikan karyawan berdasarkan fitur-fitur tertentu. Hasil perbandingan ini diharapkan dapat memberikan wawasan berharga bagi departemen sumber daya manusia dalam merumuskan strategi retensi karyawan dan pengambilan keputusan terkait manajemen talenta.

Penelitian ini berhasil membandingkan efektivitas algoritma Naive Bayes dan Decision Tree untuk prediksi klasifikasi karyawan yang cenderung berganti pekerjaan, menunjukkan salah satu algoritma memiliki performa superior dalam akurasi dan presisi.Temuan ini mengindikasikan bahwa penggunaan model prediktif berbasis machine learning dapat menjadi alat yang ampuh bagi organisasi untuk mengidentifikasi karyawan berisiko tinggi pindah.Oleh karena itu, penerapan hasil penelitian ini dapat mendukung pengembangan strategi retensi yang lebih tepat sasaran dan proaktif dalam pengelolaan sumber daya manusia.

Berdasarkan hasil analisis perbandingan algoritma Naive Bayes dan Decision Tree untuk prediksi klasifikasi karyawan yang berpotensi berganti pekerjaan, ada beberapa arah penelitian lanjutan yang menarik untuk dieksplorasi. Pertama, bagaimana kinerja model prediksi ini jika diintegrasikan dengan data kualitatif, seperti hasil survei kepuasan karyawan atau wawancara keluar, untuk mendapatkan pemahaman yang lebih mendalam mengenai faktor-faktor non-finansial yang mempengaruhi keputusan karyawan untuk tetap bertahan atau keluar? Penelitian ini bisa menggali metode penggabungan data heterogen untuk membangun model yang lebih holistik. Kedua, dapatkah model ini diperluas untuk tidak hanya memprediksi kecenderungan berganti pekerjaan, tetapi juga memprediksi alasan spesifik di balik keputusan tersebut, misalnya apakah terkait dengan kompensasi, lingkungan kerja, atau peluang pengembangan karier, dengan menggunakan teknik klasifikasi multi-label? Hal ini akan memberikan informasi yang lebih actionable bagi manajemen sumber daya manusia. Ketiga, bagaimana jika dilakukan evaluasi jangka panjang terhadap implementasi model prediksi ini di berbagai industri dan skala perusahaan yang berbeda, untuk mengukur dampak sebenarnya terhadap tingkat retensi karyawan dan penghematan biaya rekrutasi, serta mengidentifikasi faktor-faktor kontekstual yang mempengaruhi keberhasilan penerapannya? Penelitian ini akan melibatkan studi kasus komparatif dan analisis keberlanjutan. Ide-ide ini diharapkan dapat memperkaya pemahaman kita tentang dinamika retensi karyawan dan optimalisasi penggunaan algoritma pembelajaran mesin di bidang sumber daya manusia.

Read online
File size113.13 KB
Pages6
DMCAReport

Related /

ads-block-test