Pengembangan Model Uplift Menggunakan F Filter dan K-Means SMOTE Pada Algoritma Machine Learning untuk Prediksi Turnover Karyawan
Risyda Miftahur Rahmah, Dr. Sigit Priyanta, S.Si., M.Kom.
2025 | Tesis | MAGISTER KECERDASAN ARTIFISIAL
Tingginya tingkat turnover karyawan menjadi tantangan
bagi perusahaan. Model uplift menawarkan pendekatan analitik preskriptif
yang mampu merekomendasikan program retensi yang tepat guna mengurangi tingkat turnover
karyawan. Namun, performa model uplift sebelumnya masih belum
optimal akibat keberadaan fitur yang kurang relevan serta distribusi kelas yang
tidak seimbang.
Penelitian ini bertujuan untuk mengembangkan model prediksi turnover
karyawan dengan pendekatan Lai’s Generalized Weighted Uplift Method (LGWUM).
Pengembangan model dilakukan melalui seleksi fitur menggunakan metode F filter
serta penanganan ketidakseimbangan kelas dengan metode K-Means SMOTE.
Selanjutnya, dilakukan klasifikasi menggunakan algoritma Logistic Regression
(LR), Extreme Gradient Boosting (XGBoost), Random Forest (RForest),
Support Vector Machine (SVM), dan Balanced Random Forest (BRF).
Penelitian ini menggunakan tiga dataset HR yang dilakukan feature
engineering untuk menambahkan empat kelas uplift yaitu CN, CR, TN,
and TR.
Hasil penelitian menunjukkan bahwa pengembangan model uplift dengan seleksi fitur F-Filter dan oversampling K-Means SMOTE terbukti efektif meningkatkan performa model, ditunjukkan oleh peningkatan koefisien qini pada dataset 2 dan 3 menjadi 0,0680 dan 0,0870. Berdasarkan analisis probabilitas pada top desile, algoritma XGBoost menunjukkan konsistensi terbaik dalam membedakan individu yang merespon positif dan individu yang merespon negatif terhadap treatment pada top desile, sehingga direkomendasikan sebagai model yang paling andal dalam penelitian ini.
High employee turnover rates pose
a significant challenge for companies. Uplift model offers a prescriptive
analytics approach capable of recommending appropriate retention programs to
reduce employee turnover. However, the performance of previous uplift model
remains suboptimal due to the presence of irrelevant features and imbalanced
class distributions.
This study aims to develop an
employee turnover prediction model using Lai’s Generalized Weighted Uplift
Method (LGWUM). The model is enhanced through feature selection using the
F-Filter method and class imbalance handling with the K-Means SMOTE technique.
Classification is conducted using Logistic Regression (LR), Extreme Gradient
Boosting (XGBoost), Random Forest (RForest), Support Vector Machine (SVM), and
Balanced Random Forest (BRF). Three HR datasets are used, with feature
engineering applied to introduce four uplift classes: CN, CR, TN, and TR.
The results indicate that the proposed model development approach, combining F-Filter feature selection and K-Means SMOTE oversampling, is effective in improving model performance, as evidenced by increased Qini coefficients on datasets 2 and 3, reaching 0.0680 and 0.0870, respectively. Based on the probability distribution analysis in the top decile, XGBoost consistently demonstrated the best capability in distinguishing between individuals who respond positively and negatively to treatment, making it the most reliable uplift model in this study.
Kata Kunci : Model Uplift, Turnover Karyawan, Metode F filter, K-Means SMOTE, Machine Learning
