Prediksi Turnover Karyawan Menggunakan Algoritma XGBoost dan Metode Interpretasi eXirt

Afina Hadaina Yudianita, Wahyono, S.Kom., Ph.D.

2024 | Tesis | S2 Ilmu Komputer

Algoritma XGBoost teruji sebagai algoritma yang performanya superior untuk memprediksi turnover di berbagai penelitian. Penelitian-penelitian sebelumnya menghasilkan XGBoost sebagai metode yang menghasilkan model prediksi turnover karyawan terbaik dengan skor ROC-AUC di atas 0,900. Namun, sebagai algoritma black box, sangat penting untuk menginterpretasi model XGBoost yang kompleks. Penelitian ini memanfaatkan metode interpretasi eXirt untuk menjelaskan kompleksitas model XGBoost. Tidak hanya interpretasi, eXirt akan memberikan informasi mengenai performa model dari perspektif item response theory (IRT) yaitu discrimination, difficulty, dan guessing. Dengan berfokus pada model klasifikasi turnover karyawan, penelitian ini bertujuan untuk mengisi kesenjangan dengan menguji hasil interpretasi eXirt pada model XGBoost yang sebelumnya belum teruji. Diharapkan hasilnya dapat memberikan wawasan lebih lanjut terkait interpretasi model kompleks dalam memperkaya pemahaman praktis dan konseptual terkait faktor-faktor turnover karyawan. Salah satu model XGBoost yang memprediksi turnover memperoleh skor ROC-AUC sebesar 0,925 yang dikonfirmasi oleh 99,324% nilai discrimination yang tinggi, 1,351% nilai difficulty yang tinggi, serta 47,973% nilai guessing yang tinggi. 

Various studies proved that the XGBoost algorithm has superior performance in predicting turnover. Previous studies have shown XGBoost to be the method that produces the best employee turnover prediction model with an ROC-AUC score above 0.900. However, as a black box method, it is crucial to explain the complexity of the model using an interpretation method. An interpretation method can be used to interpret the model globally and locally. This study implemented a new interpretation method, called eXirt, to explain an XGBoost model for predicting employee turnover. Besides interpreting globally and locally, it provides information related to model performance based on item response theory (IRT) parameters, which include discrimination, difficulty, and guessing. As a novel method, it has never been implemented to interpret an XGBoost model, and this study will fill the research gap by using the phenomenon of employee turnover as a case study. One of the XGBoost models that predicts turnover obtained an ROC-AUC score of 0.925, which was confirmed by a 99.324% high discrimination value, a 1.351% high difficulty value, and a 47.973% high guessing value.

Kata Kunci : Klasifikasi, Turnover, XGBoost, metode interpretasi, eXirt