Analisis Perbandingan Algoritma XGBoost dan Random Forest dalam Klasifikasi Turnover Karyawan (Studi Kasus: Data Karyawan PT XYZ Tahun 2024-2025)

Abstract

Turnover karyawan merupakan salah satu permsalahan yang dapat mempengaruhi stabilitas, produktivitas, dan keberlanjutan operasional perusahaan. PT XYZ juga mengalami kasus turnover yang relatif tinggi, meskipun perusahaan telah memberikan perhatian besar terhadap pengembangan kompetensi karyawan. Penelitian ini bertujuan untuk melakukan klasifikasi risiko turnover karyawan serta membandingkan kinerja dua algoritma machine learning, yaitu Random Forest dan Extreme Gradient Boosting (XGBoost). Data yang digunakan merupakan data historis HR pada periode Juni 2024 hingga Juni 2025, meliputi karaktristik karyawan, indikator kerja, kompensasi, serta berbagai informasi kepegawaian lainnya. Tahapan analisis meliputi prepocessing data, label encoding, pembagian data menjadi training dan testing, pelatihan model, serta hyperparameter menggunakan Grid Search Cross-Validation. Evaluasi model dilakukan menggunakan matriks akurasi, precision, recall, F-1 Score, dan AUC, sementara analisis feature importance mengidentifikasi faktor-faktor utama yang memengaruhi risiko turnover. Hasil penelitian menunjukan bahwa algoritma Random Forest memiliki performa yang sedikit lebih unggul dengan akurasi sebesar 96.7% dan AUC 0.96, dibandingkan XGBoost yang memperoleh akurasi 95% dan AUC 0.95. Analisis feature importance menunjukan bahwa usia masuk, masa kerja, dan gaji pokok merupakan variabel yang paling berpengaruh dalam penelitian turnover karyawan pada PT XYZ.