Publisher

RESCOLLACOMMRESCOLLACOMM

Journal International Journal of Quantitative Research and ModelingInternational Journal of Quantitative Research and Modeling Abstract

Peningkatan tingkat karyawan yang keluar dari perusahaan merupakan tantangan besar bagi organisasi karena hal ini meningkatkan biaya perekrutan dan pelatihan, mengganggu kontinuitas operasional, dan mengurangi kinerja organisasi. Meskipun machine learning telah diterapkan secara luas untuk memprediksi karyawan yang keluar, sebagian besar penelitian berfokus pada perbandingan algoritma menggunakan set fitur lengkap, dengan perhatian terbatas pada kontribusi prediktif dari domain informasi karyawan yang berbeda. Penelitian ini bertujuan untuk mengidentifikasi domain atribut yang paling informatif untuk memprediksi niat karyawan untuk keluar, membandingkan kinerja ANN, RF, dan SVM, serta mengevaluasi apakah model dengan domain yang dikurangi dapat mencapai kinerja yang sebanding dengan model dengan fitur lengkap. Penelitian ini menggunakan dataset IBM HR Analytics Employee Attrition yang berisi 1.470 catatan karyawan. Tiga puluh atribut prediktif diorganisir menjadi enam domain konseptual: Personal Information, Job Characteristics, Compensation, Work Environment, Career Development, dan Relationship & Supervision. Dua belas konfigurasi model berbasis domain dikembangkan dan dievaluasi menggunakan ANN, RF, dan SVM. Pengembangan model menggunakan SMOTE untuk mengatasi ketidakseimbangan kelas dan validasi ulang 10-lipat, sedangkan evaluasi akhir dilakukan pada dataset validasi independen. Hasil menunjukkan bahwa model multidomain secara konsisten outperform konfigurasi domain tunggal. Compensation dan Career Development muncul sebagai domain independen terkuat, sedangkan Work Environment hadir di semua model top-performing. Validasi akurasi tertinggi dicapai oleh M0-SVM (84,01%), sedangkan M11-SVM mencapai kinerja yang sebanding (82,65%) menggunakan hanya 16 atribut. M11-ANN menghasilkan ROC AUC tertinggi (0,782), menunjukkan kemampuan diskriminatif yang unggul. Analisis pentingnya fitur mengidentifikasi OverTime, MonthlyIncome, Age, TotalWorkingYears, dan YearsAtCompany sebagai prediktor yang paling berpengaruh. Temuan ini menunjukkan bahwa komposisi domain sama pentingnya dengan pemilihan algoritma dalam memprediksi niat karyawan untuk keluar dan menekankan pentingnya lingkungan kerja, kompensasi, dan faktor pengembangan karir dalam mendukung strategi retensi karyawan yang didorong data.

Conclusion

Penelitian ini memberikan kontribusi penting terhadap literatur prediksi niat karyawan untuk keluar.Pertama, hasil penelitian menunjukkan bahwa kinerja prediktif model machine learning tergantung tidak hanya pada pemilihan algoritma tetapi juga pada komposisi domain atribut karyawan.Sementara penelitian sebelumnya telah berfokus pada perbandingan algoritma menggunakan set fitur lengkap, penelitian ini menunjukkan bahwa kelompok atribut karyawan yang berbeda berkontribusi secara tidak merata terhadap prediksi niat karyawan untuk keluar.Secara khusus, domain Compensation, Work Environment, dan Career Development secara konsisten muncul sebagai prediktor yang paling informatif baik dalam konfigurasi domain tunggal maupun multidomain.Temuan ini langsung menjawab kesenjangan penelitian yang diidentifikasi dalam Bagian 2.5 dan menunjukkan nilai dari pendekatan modelling berbasis domain untuk analisis HR.Temuan yang menonjol adalah pentingnya kuat faktor lingkungan kerja.Model yang menggabungkan domain Work Environment (D4) secara konsisten berada di antara konfigurasi top-performing, termasuk M7, M8, M9, dan M11.Selain itu, analisis pentingnya fitur mengidentifikasi OverTime sebagai prediktor tunggal yang paling berpengaruh, diikuti oleh variabel yang terkait dengan kepuasan kerja dan kepuasan lingkungan.Hasil ini sangat konsisten dengan penelitian Junaidi et al.(2020), yang melaporkan bahwa beban kerja yang berlebihan dan lembur secara signifikan meningkatkan niat karyawan untuk keluar.(2023) menemukan bahwa keseimbangan kerja-hidup berfungsi sebagai mekanisme mediasi yang kritis yang menghubungkan kondisi tempat kerja dan niat karyawan untuk keluar.Temuan saat ini, karenanya, memperkuat argumen bahwa perilaku karyawan untuk keluar sangat dipengaruhi oleh pengalaman kerja sehari-hari karyawan daripada hanya karakteristik demografis atau hubungan dengan atasan.Domain Compensation (D3) juga menunjukkan kekuatan prediktif yang substansial.Di antara semua model domain tunggal, M3 mencapai kinerja independen tertinggi, mencapai akurasi validasi 73,81% menggunakan RF.Analisis pentingnya fitur lebih lanjut mengidentifikasi MonthlyIncome sebagai salah satu prediktor individu terkuat.Temuan ini mendukung kesimpulan Jogi et al.(2025), yang mengidentifikasi kecukupan kompensasi sebagai salah satu penentu paling konsisten retensi karyawan di berbagai industri.Karyawan yang menganggap kompensasi mereka tidak memadai relatif terhadap upaya atau peluang pasar lebih mungkin mempertimbangkan pilihan pekerjaan alternatif.Kontribusi kuat variabel terkait kompensasi yang diamati dalam penelitian ini, karenanya, selaras dengan teori turnover yang telah mapan dan bukti empiris.Observasi penting lainnya berkaitan dengan domain Career Development (D5).Variabel seperti TotalWorkingYears, YearsAtCompany, dan YearsSinceLastPromotion berkontribusi secara substansial terhadap peringkat kinerja dan pentingnya fitur.Hasil ini menyarankan bahwa karyawan mengevaluasi tidak hanya kondisi kerja saat ini tetapi juga prospek masa depan mereka dalam organisasi.Temuan ini konsisten dengan Park et al.(2024), yang menunjukkan bahwa peluang pengembangan karir meningkatkan secara signifikan kinerja prediksi turnover.Hal ini juga mendukung literatur yang lebih luas yang menunjukkan bahwa karyawan lebih mungkin tetap dengan organisasi yang menyediakan jalur yang jelas untuk pertumbuhan profesional dan promosi.Analisis berbasis domain lebih lanjut mengungkapkan bahwa niat karyawan untuk keluar adalah multidimensional secara inheren.Meskipun beberapa domain individu mencapai kinerja prediktif moderat, tidak ada yang mendekati efektivitas model multidomain terkuat.Misalnya, model domain tunggal terbaik (M3-RF) mencapai akurasi validasi 73,81%, sedangkan M11-SVM mencapai 82,65% dengan kombinasi Job Characteristics, Work Environment, dan domain Career Development.Hasil ini mendukung Teori Perilaku Rencana (Ajzen, 1991), yang berpendapat bahwa niat perilaku muncul dari interaksi antara pengaruh psikologis dan lingkungan daripada penentu tunggal.Temuan juga membenarkan pengamatan Mobley (1977), yang mengkonseptualisasikan niat karyawan untuk keluar sebagai proses multifaset yang melibatkan sikap pekerjaan, pengalaman organisasi, dan alternatif yang dirasakan.Dari perspektif algoritma, hasil penelitian mengungkapkan perbedaan menarik antara kinerja pelatihan dan validasi.Random Forest secara konsisten mencapai akurasi cross-validation tertinggi, mencapai 90,92% untuk M0, mengonfirmasi penelitian sebelumnya yang mengidentifikasi RF sebagai salah satu algoritma terkuat untuk memprediksi karyawan yang keluar (Fallucchi et al.Namun, selama validasi holdout, SVM dan ANN sering mencapai nilai ROC AUC yang lebih unggul dan diskriminasi kelas minoritas yang lebih seimbang.Pola ini menyarankan bahwa RF mungkin menangkap pola pelatihan dengan efektif tetapi dapat mengalami overfitting ringan ketika menghadapi catatan karyawan yang belum pernah dilihat sebelumnya.Sebaliknya, SVM menunjukkan kemampuan generalisasi yang kuat, mencapai akurasi validasi tertinggi secara keseluruhan (84,01%), sedangkan ANN mencapai ROC AUC tertinggi (0,782).Temuan ini secara luas konsisten dengan argumen teoritis Vapnik (1995) bahwa classifier margin maksimum seringkali generalisasi dengan baik dalam masalah klasifikasi berdimensi tinggi.Salah satu temuan yang paling signifikan secara praktis berkaitan dengan efisiensi model.Meskipun M0-SVM mencapai akurasi validasi tertinggi, M11-SVM mencapai kinerja yang sebanding sambil mengurangi jumlah atribut prediktor dari 30 menjadi 16, mewakili pengurangan sekitar 46,7%.Hasil ini memiliki implikasi penting untuk implementasi organisasi.Mengumpulkan, memelihara, dan memantau variabel yang lebih sedikit mengurangi biaya implementasi, menyederhanakan manajemen data, dan meningkatkan interpretabilitas model.Akibatnya, M11 mungkin mewakili solusi yang lebih realistis untuk organisasi yang ingin menerapkan sistem pemantauan turnover prediktif tanpa mengorbankan kinerja prediktif yang substansial.Akhirnya, hasil penelitian berkontribusi pada literatur yang berkembang tentang aplikasi machine learning dalam analisis HR dengan menunjukkan bahwa efektivitas prediktif dapat ditingkatkan tidak hanya melalui optimasi algoritma tetapi juga melalui pemilihan domain fitur yang cerdas.Sementara penelitian sebelumnya telah berfokus pada pengembangan model yang semakin canggih (Chung et al., 2026), penelitian saat ini menunjukkan bahwa memahami struktur dan komposisi informasi karyawan sama pentingnya.Pentingnya konsisten dari domain Work Environment, Compensation, dan Career Development menyarankan bahwa organisasi harus memprioritaskan area ini saat merancang strategi retensi dan sistem pemantauan prediktif.Secara kolektif, temuan ini memberikan dukungan teoritis untuk kerangka turnover multidimensional dan bimbingan praktis untuk manajemen retensi karyawan yang didorong data.

Future Research

Berdasarkan hasil penelitian, berikut adalah tiga saran penelitian lanjutan yang dapat dilakukan: Pertama, perlu dilakukan validasi lebih lanjut terhadap kerangka kerja yang diusulkan menggunakan dataset dari berbagai organisasi dan industri untuk menilai validitas eksternalnya. Penelitian ini akan membantu menguji generalisasi model dan memastikan efektivitasnya di berbagai konteks. Kedua, dapat dieksplorasi teknik kecerdasan buatan yang dapat dijelaskan untuk meningkatkan transparansi model dan mendukung pengambilan keputusan manajerial. Teknik-teknik ini dapat membantu memahami alasan di balik prediksi dan meningkatkan kepercayaan terhadap model. Ketiga, integrasi metode ensembel canggih, arsitektur deep learning, dan data karyawan yang tidak terstruktur dapat memberikan wawasan yang lebih dalam tentang pengemudi niat karyawan untuk keluar dan lebih meningkatkan kinerja prediktif. Penelitian ini dapat membantu mengembangkan model yang lebih akurat dan dapat diterapkan dalam berbagai skenario.

References

1.  . 0 mdpi.com/2227-9032/11/24/3173A 0 mdpi 2227 9032 11 24 3173

Metadata

File size	460.66 KB
Pages	16
DMCA	Report