Analisis Klasifikasi Resign Karyawan dengan Random Forest
DOI:
https://doi.org/10.52072/unitek.v18i1.1415Keywords:
Attrition Prediction, Random Forest Classifier, Feature Importance, Cost-Sensitive Learning, HR AnalyticsAbstract
Tingginya employee turnover (18,4% global) menimbulkan gangguan operasional dan kebocoran finansial kronis. Penelitian ini mengimplementasikan pipeline analitik berbasis Random Forest Classifier untuk memprediksi attrition karyawan melalui ekstraksi pola non-linier dalam ruang fitur SDM. Hasilnya mengungkap “sebagai prediktor” dominan, sementara Surat Peringatan muncul sebagai paradoks prediktif melalui interaksi tersembunyi dengan variabel tekanan kerja. Fenomena yang hanya terkuak berkat kapasitas ensemble learning dalam menangkap high-dimensional decision boundaries. Model menunjukkan asimetri kinerja (recall kelas minoritas: 67,3%) akibat ketidakseimbangan data (rasio 1,9:1), memerlukan strategi cost-sensitive learning untuk mitigasi false negative. Temuan ini mentransformasi kebijakan SDM: dari retensi generik berbasis senioritas menuju paket personalisasi berbasis risk profiling dan competency micro-skilling, sekaligus menggeser fungsi HR dari administratif reaktif menjadi strategic predictive core.
Downloads
References
Gulo, E., & Sipayung, Y. R. (2025). Evaluation Of Employee Payroll Decision- Making System At Pt Morich Indo Fashion Using Machine Learning Penggajian Karyawan Pt Morich Indo Fashion. Jurnal Inovtek Polbeng - Seri Informatika, 10(2), 957–967.
Junaidi, M. Z. L., & Ptr, A. F. L. (2025). Penggunaan Metode Analytical Hierarchy Process dalam Penentuan Periode Optimal Performa Layanan Perpustakaan Kota Medan. Jurnal Unitek, 18(1), 2580–2582. https://ejurnal.sttdumai.ac.id/index.php/unitek/article/download/1237/560
Kustiyono, K., Wibowo, A., & Pratama, A. (2024). Pengembangan Sistem Informasi Manajemen Evaluasi Prestasi Lulusan Terbaik dengan Metode Fuzzy Simple Additive Weighting. MEANS (Media Informasi Analisa dan Sistem), 9(1), 53–58. https://doi.org/10.54367/means.v9i1.3512
Latifah, H., & Sri Mujiyono. (2023). Perbandingan Algoritma NaãVe Bayes , K-Nn , Id3 , Dan Svm Dalam Menentukan Prediksi Kelulusan Siswa Di Smk Muhamadiah Majenang. Jurnal Mahasiswa Teknik Informatika, 2(1), 38–45. https://doi.org/10.35473/jamastika.v2i1.1871
Oktianti, D., Hajar, A., Zurroh, F., Pratama, A., Farmasi, P. S., & Waluyo, U. N. (2024). Gambaran Pengetahuan dan Persepsi Apoteker dalam Melakukan Skrining Resep Obat Hipertensi pada Ibu Hamil dan Menyusui. Journal of Holistics and Health Sciences, 6(2), 273–283.
Praditya, R. M., & Sipayung, Y. R. (2024). Sistem Pendukung Keputusan Dalam Menentukan Penilaian Guru Terbaik Menggunakan Metode Analytical Hierarchy Process (Ahp). Jurnal Analisis Komputasi Digital, 8(12), 1–5.
Sari, F., & Mahmud, S. F. (2024). Implementasi Metode Preference Selection Index Dalam Memilih Media Pembelajaran Matematika Barbasis Artificial Intelligence. Jurnal Unitek, 17(1), 141–151. https://doi.org/10.52072/unitek.v17i1.869
Setiani Asih, M., & Zulkarnain Hasibuan, A. (2024). Penerapan Algoritma C5.0 Dalam Klasifikasi Stunting Pada Anak Dengan Smartphone Android. Jurnal Unitek, 17(1), 130–140. https://doi.org/10.52072/unitek.v17i1.850
