PREDIKSI EMPLOYEE CHURN DENGAN UPLIFT MODELING MENGGUNAKAN ALGORITMA LOGISTIC REGRESSION

JOVAN KINOTO, JANSEN LIHARMA DAMANIK, ERWIN TRI SAPUTRA SITUMORANG, JOSUA SIREGAR (2020) PREDIKSI EMPLOYEE CHURN DENGAN UPLIFT MODELING MENGGUNAKAN ALGORITMA LOGISTIC REGRESSION , SKRIPSI, UNIVERSITAS PRIMA INDONESIA

ABSTRAK

Karyawan adalah salah satu asset berharga dalam mendukung kesuksesan sebuah perusahaan. Maka dari itu, kehilangan karyawan dapat merugikan perusahaan; kondisi ini disebut juga dengan employee churn. Salah satu model machine learning untuk mengatasi employee churn adalah Uplift Modeling yang tidak hanya memprediksi employee churn, namun juga mencari karyawan yang memerlukan treatment. Dalam penelitian sebelumnya, algoritma Logistic Regression sudah digunakan dengan Uplift Modeling untuk mengatasi customer churn. Dalam penelitian ini, penulis menganalisa penerapan Logistic Regression dengan Uplift Modeling untuk mengatasi employee churn. Penelitian ini menggunakan data pegawai dari IBM HR Analytics dengan dua variable treatment, yaitu Overtime dan Not-overtime. Kemudian, metrik akurasi dan kurva Qini digunakan untuk mengukur performa prediksi dan preskripsi dari model ini. Hasil empiris menunjukkan bahwa meskipun Uplift Modeling menghasilkan total akurasi prediksi yang rendah (64,40%), model ini secara sukses memberikan hasil yang baik dalam analisis preskriptif yang menguntungkan perusahaan. Di samping itu, memberikan treatment Overtime kepada pegawai dalam dataset ini memberikan hasil yang lebih baik dari Not-overtime. Dalam kata lain, pegawai dalam dataset ini cenderung menetap dalam perusahaan jika diberi Overtime.

JURNAL