Memprediksi Tingkat Atrisi Karyawan Menggunakan Machine Learning

Abstrak

Abstrak

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 Logistic Regression 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.

Abstract

Employee attrition has a serious impact on an organization's competitive advantage and incurs high costs. These costs include the entire human resource life cycle, loss of knowledge, motivation, and organizational culture. Employee attrition occurs naturally within organizations and causes significant losses. To overcome this problem, it is important for companies to understand the factors that influence employee attrition. This research uses feature selection methods and HR analytics attrition datasets to train machine learning models such as Logistic Regression and Support Vector Machine. The goal is to detect attrition with high accuracy to improve critical employee retention and satisfaction strategies. The results assist management in understanding the workplace changes required to retain employees. This helps companies forecast attrition, reduce human resource costs, and drive economic growth.