PERANCANGAN MACHINE LEARNING UNTUK PERPUTARAN KARYAWAN MENGGUNAKAN LOGISTIC REGRESSION DAN RANDOM FOREST

CHAIRULLAH, ABANG IZZAN RIFKI (2025) PERANCANGAN MACHINE LEARNING UNTUK PERPUTARAN KARYAWAN MENGGUNAKAN LOGISTIC REGRESSION DAN RANDOM FOREST. S1 thesis, Universitas Mercu Buana Jakarta.

	Text (HAL COVER) 01 COVER.pdf Download (599kB)
	Text (BAB I) 02 BAB 1.pdf Restricted to Registered users only Download (135kB)
	Text (BAB II) 03 BAB 2.pdf Restricted to Registered users only Download (252kB)
	Text (BAB III) 04 BAB 3.pdf Restricted to Registered users only Download (187kB)
	Text (BAB IV) 05 BAB 4.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) 06 BAB 5.pdf Restricted to Registered users only Download (123kB)
	Text (DAFTAR PUSTAKA) 07 DAFTAR PUSTAKA.pdf Restricted to Registered users only Download (154kB)
	Text (LAMPIRAN) 08 LAMPIRAN.pdf Restricted to Registered users only Download (305kB)

Abstract

This study focuses on implementation a predictive model to identify employee turnover rates by utilizing Logistic Regression and Random Forest algorithms. Additionally, the Synthetic Minority Oversampling Technique (SMOTE) is employed to address data imbalance issues. The model aims to uncover key factors influencing employees' decisions to leave a company, such as education, age, gender, payment tier, work experience, and location. The research dataset, obtained from Kaggle, contains historical employee information. By comparing the performance of Logistic Regression and Random Forest, both with and without SMOTE, the study found that Random Forest combined with SMOTE delivers higher accuracy and effectively manages uneven data distribution. These findings provide significant contributions to companies, particularly in reducing turnover rates, designing better retention policies, and optimizing employee recruitment strategies. Keywords : Logistic Regression, Random Forest, SMOTE, Employee Turnover, Machine Learning Penelitian ini berfokus pada penerapan model prediksi untuk mengidentifikasi tingkat perputaran karyawan dengan memanfaatkan algoritma Logistic Regression dan Random Forest. Selain itu, teknik oversampling sintetis SMOTE digunakan untuk mengatasi ketidakseimbangan data. Model ini bertujuan mengungkap faktorfaktor utama yang memengaruhi keputusan karyawan untuk keluar dari perusahaan, seperti pendidikan, usia, jenis kelamin, tingkat pembayaran, pengalaman kerja, dan lokasi. Dataset penelitian berasal dari Kaggle, yang mencakup informasi karyawan dalam format historis. Dengan membandingkan performa Logistic Regression dan Random Forest, baik dengan maupun tanpa SMOTE, penelitian ini menemukan bahwa Random Forest yang dikombinasikan dengan SMOTE menghasilkan akurasi yang lebih tinggi dan mampu menangani distribusi data yang tidak merata secara lebih efektif. Temuan ini memberikan kontribusi signifikan bagi perusahaan, khususnya dalam mengurangi tingkat turnover, merancang kebijakan retensi yang lebih baik, dan mengoptimalkan strategi rekrutmen karyawan. Kata Kunci : Logistic Regression, Random Forest, SMOTE, Perputaran Karyawan, Machine Learning.

Item Type:	Thesis (S1)
Call Number CD:	FIK/SI. 25 057
NIM/NIDN Creators:	41821010032
Uncontrolled Keywords:	Logistic Regression, Random Forest, SMOTE, Perputaran Karyawan, Machine Learning.
Subjects:	000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 000. Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 006 Special Computer Methods/Metode Komputer Tertentu > 006.3 Artificial Intelligence/Kecerdasan Buatan > 006.31 Machine Learning/Pembelajaran Mesin 500 Natural Science and Mathematics/Ilmu-ilmu Alam dan Matematika > 510 Mathematics/Matematika > 518 Numerical Analysis/Analisis Numerik, Analisa Numerik > 518.1 Algorithms/Algoritma 600 Technology/Teknologi > 650 Management, Public Relations, Business and Auxiliary Service/Manajemen, Hubungan Masyarakat, Bisnis dan Ilmu yang Berkaitan > 658 General Management/Manajemen Umum > 658.3 Personnel Management/Manajemen Personalia, Manajemen Sumber Daya Manusia, Manajemen SDM
Divisions:	Fakultas Ilmu Komputer > Sistem Informasi
Depositing User:	khalimah
Date Deposited:	11 Aug 2025 08:36
Last Modified:	11 Aug 2025 08:36
URI:	http://repository.mercubuana.ac.id/id/eprint/96777

Actions (login required)

View Item