Model Klasifikasi Penyebab Turnover Karyawan Menggunakan Kerangka Kerja CRISP-DM
##plugins.themes.bootstrap3.article.sidebar##
Diterbitkan
Dec 19, 2024
##plugins.themes.bootstrap3.article.main##
Abstrak
Permasalahan tingkat kemunduran diri (turnover) karyawan yang tinggi di sebuah perusahaan menimbulkan beberapa dampak negatif dari sisi biaya, tenaga, maupun waktu dan salah satunya dirasakan oleh Perusahaan fiktif “XYZ". Tujuan penelitian ini akan mengklasifikasi penyebab turnover karyawan di industri menggunakan model pembelajaran mesin klasifikasi pada dua algoritma berbeda yaitu Random Forest dan Decision Tree. Selain itu, penelitian ini menjawab implikasi dari penelitian klasifikasi sebelumnya, klasifikasi karyawan di industri pendidikan, yang menyarankan untuk mengomparasi evaluasi dua performa model pembelajaran mesin. Terdapat 10 variabel dan 9.540 data historis karyawan yang digunakan dalam penelitian. Teknik atau metode penelitian yang digunakan adalah Cross-industry Standard Process for Data Mining (CRISP-DM). Hasil dari penelitian ini menunjukkan model klasifikasi Random Forest adalah model pembelajaran mesin yang optimal dengan nilai AUC – ROC mencapai 0.9988. RapidMiner digunakan untuk memvalidasi kembali perfora model pembelajaran mesin menggunakan parameter yang sama dan dihasilkan nilai akurasi tertinggi sebesar 85.04% untuk model Random Forest dibandingkan Decion Tree.
##plugins.themes.bootstrap3.article.details##
Bagian
Articles
Referensi
Alawi, A. I. (2024). Machine Learning in Human Resource Analytics: Promotion Classification using Data Balancing Techniques. 2024 ASU International Conference in Emerging Technologies for Sustainability and Intelligent Systems, 10(1), 1001–1021.
Ardhana, V. Y. P. (2024). Analysis Of Medicine Sales Classification Using Decision Tree Method. Jurnal Teknologi Informasi, Komputer Dan Aplikasinya, 6(1), 376–383.
Aris, A. A. (2023). The Role of Management of Human Resources in Enhancing The Quality of Schools. Journal Of Social Science Research, 3(3), 11012–11023. https://www.breathehr.com/en-gb/blog/topic/business-process/why-is-human-resources-important#:~:text=HR plays a key role,business culture covered by HR.
Effendi, M. E. (2023). Prediksi Guru Kemungkinan Tetap Bekerja di Sekolah Al Uswah Surabaya MenggunakanMachine Learning. Jurnal Informasi Dan Teknologi, 5(1), 129–137.
Faradisa, S. M., Nugrahadi, T. D., Muliadi, Budiman, I., & Kartini, D. (2021). Implementasi IQR-SMOTE Untuk Mengatasi Ketidakseimbangan Kelas Pada Klasifikasi Diabetes menggunakan K-Nearest Neighbors. 15, 48–60.
Hidayati, N. (2021). Perbandingan Algoritma Klasifikasi untuk Prediksi Cacat Software dengan Pendekatan CRISP-DM. Jurnal Sains Dan Informatika, 7(2), 117–126.
Holliday, M. (2021). What Is Employee Turnover & Why It Matters for Your Business. Netsuite.Com. https://www.netsuite.com/portal/resource/articles/human-resources/employee-turnover.shtml?mc24943=v2
Ihsani, D. A., Arifin, A., & Fatoni, M. H. (2020). Klasifikasi DNA Microarray Menggunakan Principal Component Analysis (PCA) dan Artificial Neural Network (ANN). Jurnal Teknik ITS, 9(1). https://doi.org/10.12962/j23373539.v9i1.51637
Jamiluddin, F. (2024). Implementasi Hyperparameter Tuning Grid Search CV Pada Prediksi Produksi Padi Menggunakan Algoritma Linear Regresi. Journal of Information System Research (JOSH), 6(1), 490–498.
Jungryeol, P. (2023). A study on improving turnover intention forecasting by solving imbalanced data problems: focusing on SMOTE and generative adversarial networks. Journal of Big Data, 10(1).
Marques, H. O. (2023). On the evaluation of outlier detection and one-class classification: a comparative study of algorithms, model selection, and ensembles. Data Mining and Knowledge Discovery, 37(4).
Maulana, M. A., Bijaksana, M. A., & Huda, A. F. (2019). Entity Recognition for Quran English Version with Supervised Learning Approach. 4, 77–86. https://doi.org/10.21108/indojc.2019.4.3.362
Maylani, I., Rochman, F., Kurniasari, N. D., & Timur, J. (2022). Seleksi Fitur pada Klasifikasi K-Nearest Neighbors untuk Data Churn for Bank Customers dengan Analisis Korelasi. SNESTIK.
Ordila, R., Wahyuni, R., Irawan, Y., & Yulia Sari, M. (2020). Penerapan Data Mining Untuk Pengelompokan Data Rekam Medis Pasien Berdasarkan Jenis Penyakit Dengan Algoritma Clustering (Studi Kasus : Poli Klinik PT. Inecda). Jurnal Ilmu Komputer, 9(2), 148–153. https://doi.org/10.33060/jik/2020/vol9.iss2.181
Patange, A. D. (2023). Augmentation of decision tree model through hyper-parameters tuning for monitoring of cutting tool faults based on vibration signatures. Journal of Vibration Engineering & Technologies, 11(8), 3759–3777.
Pradana, R. Y. (2024). Machine Learning Pengklasifikasikan Performa Karyawan Direct Sales Force Kartu Prabayar Menggunakan Metode Random Forest Classifier. Jurnal Teknik Informatika, 4(3).
Purwa, T. (2019). Perbandingan Metode Regresi Logistik dan Random Forest untuk Klasifikasi Data Imbalanced (Studi Kasus: Klasifikasi Rumah Tangga Miskin di Kabupaten Karangasem, Bali Tahun 2017). Jurnal Matematika, Statistika Dan Komputasi, 16(1), 58. https://doi.org/10.20956/jmsk.v16i1.6494
Richardson, B. (2021). Employee Happiness Statistics & Facts – What Makes Employees Happy? New Research For Q2 2021. Development-Academy.Co.Uk. https://development-academy.co.uk/news-tips/employee-happiness-statistics-2021/
Shafie, M. R. (2024). A cluster-based human resources analytics for predicting employee turnover using optimized Artificial Neural Networks and data augmentation. Decision Analytics Journal 11, 11(1).
Shedriko, & Firdaus, M. (2022). Penentuan Klasifikasi Dengan Crisp-Dm. The Indonesian Journal of Computer Science, 10(11), 826–831.
Singgalen, Y. A. (2024). Sentiment Classification of The Capsule Hotel Guest Reviews using Cross-Industry Standard Process for Data Mining (CRISP-DM). JURNAL MEDIA INFORMATIKA BUDIDARMA, 8(1), 632–643.
Sutisna, L. A. (2022). Using Feature Engineering In Logistic Regression And Random Forest Methods To Improve Employee Attrition Prediction In Kimia Farma. INFOKUM, 10(5), 1421–1439.
Ardhana, V. Y. P. (2024). Analysis Of Medicine Sales Classification Using Decision Tree Method. Jurnal Teknologi Informasi, Komputer Dan Aplikasinya, 6(1), 376–383.
Aris, A. A. (2023). The Role of Management of Human Resources in Enhancing The Quality of Schools. Journal Of Social Science Research, 3(3), 11012–11023. https://www.breathehr.com/en-gb/blog/topic/business-process/why-is-human-resources-important#:~:text=HR plays a key role,business culture covered by HR.
Effendi, M. E. (2023). Prediksi Guru Kemungkinan Tetap Bekerja di Sekolah Al Uswah Surabaya MenggunakanMachine Learning. Jurnal Informasi Dan Teknologi, 5(1), 129–137.
Faradisa, S. M., Nugrahadi, T. D., Muliadi, Budiman, I., & Kartini, D. (2021). Implementasi IQR-SMOTE Untuk Mengatasi Ketidakseimbangan Kelas Pada Klasifikasi Diabetes menggunakan K-Nearest Neighbors. 15, 48–60.
Hidayati, N. (2021). Perbandingan Algoritma Klasifikasi untuk Prediksi Cacat Software dengan Pendekatan CRISP-DM. Jurnal Sains Dan Informatika, 7(2), 117–126.
Holliday, M. (2021). What Is Employee Turnover & Why It Matters for Your Business. Netsuite.Com. https://www.netsuite.com/portal/resource/articles/human-resources/employee-turnover.shtml?mc24943=v2
Ihsani, D. A., Arifin, A., & Fatoni, M. H. (2020). Klasifikasi DNA Microarray Menggunakan Principal Component Analysis (PCA) dan Artificial Neural Network (ANN). Jurnal Teknik ITS, 9(1). https://doi.org/10.12962/j23373539.v9i1.51637
Jamiluddin, F. (2024). Implementasi Hyperparameter Tuning Grid Search CV Pada Prediksi Produksi Padi Menggunakan Algoritma Linear Regresi. Journal of Information System Research (JOSH), 6(1), 490–498.
Jungryeol, P. (2023). A study on improving turnover intention forecasting by solving imbalanced data problems: focusing on SMOTE and generative adversarial networks. Journal of Big Data, 10(1).
Marques, H. O. (2023). On the evaluation of outlier detection and one-class classification: a comparative study of algorithms, model selection, and ensembles. Data Mining and Knowledge Discovery, 37(4).
Maulana, M. A., Bijaksana, M. A., & Huda, A. F. (2019). Entity Recognition for Quran English Version with Supervised Learning Approach. 4, 77–86. https://doi.org/10.21108/indojc.2019.4.3.362
Maylani, I., Rochman, F., Kurniasari, N. D., & Timur, J. (2022). Seleksi Fitur pada Klasifikasi K-Nearest Neighbors untuk Data Churn for Bank Customers dengan Analisis Korelasi. SNESTIK.
Ordila, R., Wahyuni, R., Irawan, Y., & Yulia Sari, M. (2020). Penerapan Data Mining Untuk Pengelompokan Data Rekam Medis Pasien Berdasarkan Jenis Penyakit Dengan Algoritma Clustering (Studi Kasus : Poli Klinik PT. Inecda). Jurnal Ilmu Komputer, 9(2), 148–153. https://doi.org/10.33060/jik/2020/vol9.iss2.181
Patange, A. D. (2023). Augmentation of decision tree model through hyper-parameters tuning for monitoring of cutting tool faults based on vibration signatures. Journal of Vibration Engineering & Technologies, 11(8), 3759–3777.
Pradana, R. Y. (2024). Machine Learning Pengklasifikasikan Performa Karyawan Direct Sales Force Kartu Prabayar Menggunakan Metode Random Forest Classifier. Jurnal Teknik Informatika, 4(3).
Purwa, T. (2019). Perbandingan Metode Regresi Logistik dan Random Forest untuk Klasifikasi Data Imbalanced (Studi Kasus: Klasifikasi Rumah Tangga Miskin di Kabupaten Karangasem, Bali Tahun 2017). Jurnal Matematika, Statistika Dan Komputasi, 16(1), 58. https://doi.org/10.20956/jmsk.v16i1.6494
Richardson, B. (2021). Employee Happiness Statistics & Facts – What Makes Employees Happy? New Research For Q2 2021. Development-Academy.Co.Uk. https://development-academy.co.uk/news-tips/employee-happiness-statistics-2021/
Shafie, M. R. (2024). A cluster-based human resources analytics for predicting employee turnover using optimized Artificial Neural Networks and data augmentation. Decision Analytics Journal 11, 11(1).
Shedriko, & Firdaus, M. (2022). Penentuan Klasifikasi Dengan Crisp-Dm. The Indonesian Journal of Computer Science, 10(11), 826–831.
Singgalen, Y. A. (2024). Sentiment Classification of The Capsule Hotel Guest Reviews using Cross-Industry Standard Process for Data Mining (CRISP-DM). JURNAL MEDIA INFORMATIKA BUDIDARMA, 8(1), 632–643.
Sutisna, L. A. (2022). Using Feature Engineering In Logistic Regression And Random Forest Methods To Improve Employee Attrition Prediction In Kimia Farma. INFOKUM, 10(5), 1421–1439.