TA : Prediksi Turnover Karyawan dengan Model Extreme Gradient Boosting (Studi Kasus: Universitas Dinamika)

Deo, Abigail Excelsis (2025) TA : Prediksi Turnover Karyawan dengan Model Extreme Gradient Boosting (Studi Kasus: Universitas Dinamika). Undergraduate thesis, Universitas Dinamika.

	Text 21410100045-2025-UNIVERSITASDINAMIKA.pdf - Accepted Version Download (2MB)
	Text 21410100045-2025-LAMPIRAN.pdf - Accepted Version Restricted to Repository staff only Download (1MB)

Search this title on : |

Abstract

Tingginya tingkat turnover karyawan merupakan tantangan signifikan bagi organisasi, termasuk institusi pendidikan tinggi, karena dapat menyebabkan kerugian finansial dan operasional. Penelitian ini bertujuan untuk membangun dan mengevaluasi model machine learning untuk memprediksi turnover karyawan di Universitas Dinamika. Metode yang digunakan adalah Extreme Gradient Boosting (XGBoost), sebuah algoritma ensemble learning yang dikenal memiliki performa tinggi. Data yang digunakan adalah data karyawan Universitas Dinamika selama tiga tahun terakhir, yang mencakup fitur – fitur seperti umur, jenis kelamin, status nikah, tipe karyawan, lama kerja, jarak tinggal, dan presensi, seperti tepat waktu, terlambat dengan ijin, terlambat tanpa ijin, ijin, dst. Proses penelitian meliputi beberapa tahap, mulai dari data preprocessing hingga pelatihan model menggunakan 5-Fold Cross Validation untuk memastikan evaluasi yang robust. Hasil evaluasi menunjukkan bahwa model XGBoost mampu memprediksi turnover cukup baik, dengan rata-rata akurasi sebesar 93,66% ± 3,31%, presisi sebesar 85,24% ± 15,68%, recall sebesar 73.33% ± 17,00% dan F1-Score sebesar 76,77% ± 11,22% pada data validasi. Analisis feature importance mengidentifikasi bahwa alpha, lama kerja, dan tepat waktu merupakan tiga faktor paling berpengaruh dalam prediksi. Model yang telah dilatih kemudian diimplementasikan ke dalam sebuah dashboard website interaktif menggunakan Streamlit. Dashboard ini menyajikan hasil prediksi, tingkat risiko, serta analisis faktor pendorong turnover secara visual, sehingga dapat berfungsi sebagai sistem pendukung keputusan yang praktis bagi manajemen untuk merancang strategi retensi karyawan yang lebih efektif dan berbasis data.

Export Record

ASCII Citation Atom BibTeX Dublin Core EP3 XML EndNote HTML Citation JSON METS MODS MPEG-21 DIDL OpenURL ContextObject OpenURL ContextObject in Span RDF+N-Triples RDF+N3 RDF+XML Refer Reference Manager Simple Metadata

Download Statistics

Downloads over the past year. Other digital versions may also be available to download e.g. from the publisher's website.

View more statistics

Actions (login required)

View Item