LLDIKTI4LLDIKTI4

Jurnal Tekno InsentifJurnal Tekno Insentif

Pengurangan karyawan dapat menjadi masalah serius bagi keunggulan kompetitif suatu organisasi dan mahal dalam hal biaya. Biaya pengurangan karyawan meliputi siklus hidup sumber daya manusia, hilangnya pengetahuan, semangat kerja, dan budaya organisasi. Atrisi karyawan terjadi secara alami dalam suatu organisasi karena berbagai faktor tak terhindarkan. Hal ini dapat menyebabkan kerugian besar bagi organisasi. Untuk mengatasi hal ini, penting bagi perusahaan untuk memahami faktor-faktor yang berpengaruh pada atrisi karyawan. Dalam penelitian ini, digunakan metode pemilihan fitur untuk mengidentifikasi faktor-faktor yang berpengaruh dan menyederhanakan pelatihan data menggunakan dataset atrisi HR-analytics. Model pembelajaran mesin seperti LogisticRegression dan Support Vector Machine digunakan untuk melatih dan mengevaluasi data. Tujuan utamanya adalah mendeteksi atrisi dengan akurasi tinggi untuk membantu perusahaan meningkatkan strategi retensi karyawan yang penting dan meningkatkan kepuasan mereka. Hasil penelitian ini dapat membantu manajemen memahami perubahan apa yang harus dilakukan di tempat kerja agar sebagian besar karyawan tetap bertahan. Ini akan membantu perusahaan dalam meramalkan pengurangan karyawan dan mengurangi biaya sumber daya manusia, serta mendorong pertumbuhan ekonomi mereka.

Penelitian ini memprediksi atrisi karyawan dengan machine learning menggunakan dua model, regresi logistik dan Support Vector Machine (SVM), dan menemukan perbedaan signifikan dalam performa.Model SVM mencapai akurasi 94,17% dan nilai F1‑score lebih seimbang dibandingkan regresi logistik (92,91%).Dengan mengadopsi model SVM, perusahaan dapat meningkatkan retensi karyawan dan mencapai tujuan jangka panjang.

Penelitian selanjutnya dapat mengeksplorasi penggunaan algoritma ensemble seperti Random Forest, Gradient Boosting, atau XGBoost untuk meningkatkan akurasi prediksi atrisi karyawan dibandingkan model yang telah diuji sebelumnya. Selain itu, penting untuk menguji generalisasi model dengan mengumpulkan dan menganalisis data HR dari berbagai perusahaan dan sektor industri, sehingga dapat diketahui apakah faktor‑faktor yang mempengaruhi atrisi bersifat universal atau spesifik konteks organisasi. Selanjutnya, pendekatan temporal seperti analisis survival atau model jaringan saraf berurutan (LSTM) dapat diterapkan untuk memprediksi waktu terjadinya atrisi, sehingga perusahaan dapat merencanakan intervensi retensi secara proaktif dan menyesuaikan kebijakan sumber daya manusia. Penelitian juga dapat menambahkan variabel psikologis atau lingkungan kerja yang tidak terukur dalam dataset saat ini, seperti tingkat stres atau budaya perusahaan, untuk memperkaya model prediktif. Dengan menggabungkan metode‑metode tersebut, diharapkan hasil penelitian dapat memperluas pemahaman tentang dinamika atrisi karyawan dan memberikan solusi yang lebih efektif bagi manajemen.

  1. HR analytics: Employee attrition analysis using logistic regression - IOPscience. hr analytics employee... iopscience.iop.org/article/10.1088/1757-899X/830/3/032001HR analytics Employee attrition analysis using logistic regression IOPscience hr analytics employee iopscience iop article 10 1088 1757 899X 830 3 032001
  2. Memprediksi Tingkat Atrisi Karyawan Menggunakan Machine Learning | Jurnal Tekno Insentif. memprediksi... doi.org/10.36787/jti.v18i1.1263Memprediksi Tingkat Atrisi Karyawan Menggunakan Machine Learning Jurnal Tekno Insentif memprediksi doi 10 36787 jti v18i1 1263
Read online
File size758.8 KB
Pages14
DMCAReport

Related /

ads-block-test