Implementasi algoritma random forest pada prediksi penurunan jumlah karyawan

INDONESIA :

Penurunan jumlah karyawan menjadi salah satu tantangan utama dalam manajemen proyek yang dapat berdampak pada keberhasilan proyek. Oleh karena itu, diperlukan sistem prediksi yang mampu mengidentifikasi potensi penurunan jumlah karyawan secara akurat dan efisien. Penelitian ini bertujuan untuk membangun model prediksi penurunan jumlah karyawan menggunakan metode Random Forest (RF) dengan pendekatan optimasi melalui penyeimbangan data menggunakan Synthetic Minority Over-sampling Technique (SMOTE) serta seleksi fitur menggunakan metode filtering, yaitu Pearson Correlation dan Analysis of Variance (ANOVA). Pengujian dilakukan pada beberapa pengaturan parameter, dan hasil menunjukkan bahwa RF efektif dalam memprediksi penurunan jumlah karyawan, terutama pada konfigurasi hyperparameter yang lebih tinggi seperti pada max_depth 20 dan n_estimators 150. Hasil pengujian terbaik diperoleh pada kombinasi SMOTE dengan seleksi fitur menggunakan Pearson Correlation dan ANOVA dengan penyesuaian menghasilkan nilai rata-rata akurasi sebesar 93,07%, presisi 97,095, recall 88,8%, dan F1-score 92,75%. Sebaliknya, model tanpa balancing data menunjukkan nilai F1-score yang rendah, mengindikasikan bias terhadap kelas mayoritas. Dengan demikian, kombinasi balancing data dan seleksi fitur terbukti meningkatkan performa model secara signifikan dalam memprediksi penurunan jumlah karyawan, serta dapat mendukung pengambilan keputusan yang lebih proaktif dalam manajemen sumber daya manusia.

ENGLISH:

Employee attrition has become one of the main challenges in project management that can significantly affect project success. Therefore, a predictive system is required to accurately and efficiently identify potential employee attrition. This study aims to develop an employee attrition prediction model using the Random Forest (RF) algorithm, enhanced through data balancing using the Synthetic Minority Oversampling Technique (SMOTE) and feature selection using filter-based methods, namely Pearson Correlation and Analysis of Variance (ANOVA). The experiments were conducted under several hyperparameter settings, and the results show that Random Forest is effective in predicting employee attrition, particularly with higher hyperparameter configurations such as max_depth 20 and n_estimators 150. The best-performing result was achieved using a combination of SMOTE and feature selection with Pearson Correlation and ANOVA, yielding an average accuracy of 93.07%, precision of 97.09%, recall of 88.8%, and F1-score of 92.75%. In contrast, the model without data balancing showed low F1-score values, indicating a bias toward the majority class. Thus, the combination of data balancing and feature selection was proven to significantly improve model performance in predicting employee attrition and can support more proactive decision-making in human resource management.

ARABIC:

أصبح معدل ترك الموظفين أحد التحديات الرئيسية في إدارة المشاريع، وهو ما يمكن أن يؤثر بشكل كبير على نجاح المشروع. لذلك، هناك حاجة إلى نظام تنبؤي لتحديد احتمالية استنزاف الموظفين بدقة وكفاءة. تهدف هذه الدراسة إلى تطوير نموذج للتنبؤ باستنزاف الموظفين باستخدام خوارزمية مع تعزيزها من خلال موازنة البيانات باستخدام تقنية(RF) Random Forest . مع تعزيزها من خلال موازنة البيانات باستخدام تقنية Synthetic Minority Oversampling Technique (SMOTE) واختيار السمات باستخدام طرق قائمة على المرشحات، وهي Pearson Correlation و .ANOVA Analysis Of Variance أُجريت التجارب في ظل عدة إعدادات للمعلمات الفائقة، وأظهرت النتائج أن خوارزمية Random Forest فعالة في التنبؤ بتسرب الموظفين، لا سيما مع تكوينات المعلمات الفائقة الأعلى مثل max_depth 20 و n_estimator 150. وقد تم تحقيق أفضل نتيجة من حيث الأداء باستخدام مزيج من تقنية SMOTE واختيار السمات باستخدام Pearson Correlation و ANOVA، مما أدى إلى دقة متوسطة بلغت 93,07%، ودقة تحديد بلغت 97,09%، ومعدل استرجاع بلغ 88,8%، و F1-Score بلغ 92,75%. في المقابل، أظهر النموذج الذي لم يخضع لموازنة البيانات قيمًا منخفضة لـ F1-Score، مما يشير إلى وجود انحياز نحو الفئة الأغلبية. وبالتالي، ثبت أن الجمع بين موازنة البيانات واختيار السمات يحسّن أداء النموذج بشكل ملحوظ في التنبؤ بتسرب الموظفين، ويمكن أن يدعم اتخاذ قرارات أكثر استباقية في إدارة الموارد البشرية.