Klasifikasi Turnover Karyawan Menggunakan Algoritma XGBoost (Studi kasus: Divisi Engineering, Perusahaan Jasa Pertambangan)

Abstract

Efisiensi sumber daya manusia dan manajemennya, sangat berkaitan dengan perusahaan yang bergantung pada karyawan untuk mendapatkan keuntungan di pasar yang kompetitif. Industri pertambangan merupakan salah satu bidang industri yang keberhasilan dalam organisasinya ditentukan oleh karyawan. PT. PNR merupakan kontraktor spesialis, yang menyediakan jasa pertambangan komprehensif kepada pemilik tambang. Pada salah satu jalur tenaga ahli yang dimiliki PT. PNR, terdapat peningkatan turnover yang signifikan. Hal ini tentu akan memberikan kerugian, mengingat besarnya dampak negatif yang terjadi apabila fenomena turnover tidak dikelola secara tepat seperti yang disebutkan penelitian terdahulu. Serta pengamatan terdahulu telah menunjukan bahwa karyawan yang pergi adalah yang paling berbakat, karena bagi karyawan berbakat tersebut lebih mudah mendapatkan pekerjaan alternatif. Penelitian ini membandingkan model klasifikasi XGBoost tanpa dan dengan SMOTE untuk pembangunan model klasifikasi turnover karyawan. Pada penelitian ini, label kelas memiliki proporsi yang tidak seimbang yaitu 91,08% kelas negatif dan 8,92% kelas positif. Hasil analisis menunjukan bahwa model XGBoost dengan SMOTE memiliki performa klasifikasi yang lebih unggul, terutama dalam menyeimbangkan prediksi kelas data minoritas dan mayoritas. Hasil tersebut menunjukkan pentingnya penanganan ketidakseimbangan kelas dalam pembuatan model klasifikasi. Model klasifikasi terbaik yang dihasilkan dari penelitian ini dapat digunakan oleh perusahaan sebagai bahan untuk manajemen retensi karyawan. Sehingga perusahaan dapat melakukan intervensi lebih awal untuk mencegah karyawan berhenti secara sukarela.