Model Klasifikasi Penyebab Turnover Karyawan Menggunakan Kerangka Kerja CRISP-DM

Abstract

The problem of high employee turnover in a company has several negative impacts in terms of cost, energy, and time and one of them is felt by the fictitious Company “XYZ”. The purpose of this research is to classify the causes of employee turnover in the industry using a classification machine learning model on two different algorithms namely Random Forest and Decision Tree. In addition, this study addresses the implications of previous classification research, employee classification in the education industry, which suggests comparing the evaluation of two machine learning model performances. There are 10 variables and 9,540 historical employee data used in the research. The research technique or method used is Cross-industry Standard Process for Data Mining (CRISP-DM). The results of this study show that the Random Forest classification model is the optimal machine learning model with an AUC - ROC value reaching 0.9988. RapidMiner was used to revalidate the performance of the machine learning model using the same parameters and resulted in the highest accuracy value of 85.04% for the Random Forest model compared to the Decion Tree model.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.