Melola Discovery

← Melola Discovery

Jurnal Tanpa peringkat SINTA

Klasifikasi Perputaran Karyawan Perusahaan Menggunakan Algoritma Random Forest dan Random Over-sampling

Edu Komputika Journal · Vol. 10 No. 2 (2024) · hlm. 93–103

DOI
10.15294/edukomputika.v10i2.73782
ISSN
2599-297X, 2252-6811
Terbit
2024-07-28
Penerbit
Jurusan Teknik Elektro Universitas Negeri Semarang
Bahasa
eng

Abstrak

Pergantian karyawan merupakan permasalahan yang berat dalam suatu perusahaan, karena pergantian karyawan dapat menyebabkan kinerja perusahaan menurun akibat kekurangan karyawan. Penelitian ini bertujuan untuk membangun model untuk mengklasifikasikan apakah karyawan akan meninggalkan perusahaan atau tidak untuk mencegah pergantian karyawan. Metode yang digunakan dalam penelitian ini adalah Machine Learning Life Cycle (MLLC). Model dibangun menggunakan algoritma Random Forest dan Random Over-sampling untuk mengatasi data yang tidak seimbang dengan rasio pembagian data untuk data pelatihan sebesar 90% dan data pengujian sebesar 10%. Selain itu untuk mengetahui kinerja model yang dibangun dilakukan evaluasi dengan menggunakan Confusion Matrix dan kurva AUC-ROC. Hasil penelitian ini menunjukkan bahwa model yang dibangun berdasarkan hasil evaluasi mempunyai kinerja yang sangat baik dan hampir sempurna, dengan nilai akurasi sebesar 99,8%, recall sebesar 100%, dan presisi sebesar 99,6%. Hanya terdapat 4 dari 2000 data pengujian yang tidak diklasifikasikan dengan benar, dengan nilai AUC yang dihasilkan sebesar 99,8%, sehingga model termasuk dalam kategori Excellent berdasarkan nilai AUC.

Jaringan kolaborasi para penulis

25 penulis · 57 tautan kepenulisan bersama · 10 lintas organisasi

Arahkan kursor atau ketuk sebuah nama untuk menyorot rekan penulisnya. Klik dua kali untuk membuka halaman penulis.

  • Institut Teknologi Garut
  • Universitas Garut
  • Politeknik STIA LAN Bandung
  • Bicol University
  • Afiliasi tidak diketahui
  • Organisasi berbeda
  • Organisasi sama
  • Afiliasi tidak diketahui
  • Garis lebih tebal = lebih banyak artikel bersama · lingkaran lebih besar = lebih banyak artikel
Tampilkan sebagai tabel
Rekan penulisOrganisasiArtikel bersama
Marshal FirmansyahInstitut Teknologi Garut4
Indra Trisna RaharjaInstitut Teknologi Garut3
Nia AbaniaInstitut Teknologi Garut2
Mita Hidayani PutriInstitut Teknologi Garut2
Ade SutediInstitut Teknologi Garut2
Dzikri NursyabanInstitut Teknologi Garut2
Moch. Haiqal DiazkiInstitut Teknologi Garut2
Fitri NuraeniAfiliasi tidak diketahui2
Ade Iskandar ZulkarnaenAfiliasi tidak diketahui2
Inda MulianaAfiliasi tidak diketahui2
Nabila Putri NurhalizaInstitut Teknologi Garut2
Benedicto B. BaliloBicol University2
Hilmi AulawiInstitut Teknologi Garut2
Ridwan SetiawanAfiliasi tidak diketahui1
Ridwan SetiawanInstitut Teknologi Garut1
Galih Muhammad RamdanInstitut Teknologi Garut1
Fikri Fahru RojiUniversitas Garut1
Gugun Geusan AkbarUniversitas Garut1
Nita NurliawatiPoliteknik STIA LAN Bandung1
Ayu LatifahInstitut Teknologi Garut1
Muhammad SanusiInstitut Teknologi Garut1

Afiliasi berasal dari OpenAlex; metadata OAI-PMH jurnal tidak memuatnya. Penulis tanpa ID OpenAlex dicocokkan berdasarkan nama, sehingga dua orang bisa tergabung atau satu orang bisa terpisah.

Sumber metadata: OAI-PMH (metadata jurnal) https://journal.unnes.ac.id/sju/index.php/edukom/oai, pertama di-harvest 5 Nov 2026, terakhir terlihat 8 Nov 2026.
Metadata asli (oai_dc)
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="en-US">Klasifikasi Perputaran Karyawan Perusahaan Menggunakan Algoritma Random Forest dan Random Over-sampling</dc:title>
	<dc:creator>Kurniadi, Dede</dc:creator>
	<dc:creator>Nuraeni, Fitri</dc:creator>
	<dc:creator>Faturrohman, Nadhif</dc:creator>
	<dc:creator>Mulyani, Asri</dc:creator>
	<dc:description xml:lang="en-US">Pergantian karyawan merupakan permasalahan yang berat dalam suatu perusahaan, karena pergantian karyawan dapat menyebabkan kinerja perusahaan menurun akibat kekurangan karyawan. Penelitian ini bertujuan untuk membangun model untuk mengklasifikasikan apakah karyawan akan meninggalkan perusahaan atau tidak untuk mencegah pergantian karyawan. Metode yang digunakan dalam penelitian ini adalah Machine Learning Life Cycle (MLLC). Model dibangun menggunakan algoritma Random Forest dan Random Over-sampling untuk mengatasi data yang tidak seimbang dengan rasio pembagian data untuk data pelatihan sebesar 90% dan data pengujian sebesar 10%. Selain itu untuk mengetahui kinerja model yang dibangun dilakukan evaluasi dengan menggunakan Confusion Matrix dan kurva AUC-ROC. Hasil penelitian ini menunjukkan bahwa model yang dibangun berdasarkan hasil evaluasi mempunyai kinerja yang sangat baik dan hampir sempurna, dengan nilai akurasi sebesar 99,8%, recall sebesar 100%, dan presisi sebesar 99,6%. Hanya terdapat 4 dari 2000 data pengujian yang tidak diklasifikasikan dengan benar, dengan nilai AUC yang dihasilkan sebesar 99,8%, sehingga model termasuk dalam kategori Excellent berdasarkan nilai AUC.</dc:description>
	<dc:publisher xml:lang="en-US">Jurusan Teknik Elektro Universitas Negeri Semarang</dc:publisher>
	<dc:date>2024-07-28</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://journal.unnes.ac.id/sju/edukom/article/view/73782</dc:identifier>
	<dc:identifier>10.15294/edukomputika.v10i2.73782</dc:identifier>
	<dc:source xml:lang="en-US">Edu Komputika Journal; Vol 10 No 2 (2023): Edu Komputika Journal; 93-103</dc:source>
	<dc:source>2599-297X</dc:source>
	<dc:source>2252-6811</dc:source>
	<dc:source>10.15294/edukomputika.v10i2</dc:source>
	<dc:language>eng</dc:language>
	<dc:relation>https://journal.unnes.ac.id/sju/edukom/article/view/73782/26961</dc:relation>
	<dc:rights xml:lang="en-US">Copyright (c) 2024 Edu Komputika Journal</dc:rights>
</oai_dc:dc>