Analisis Retensi Tenaga Kerja Panen Kelapa Sawit dengan Random Forest pada Perusahaan XYZ
Main Article Content
Abstract
Sektor kelapa sawit berperan krusial dalam perekonomian Indonesia. Perusahaan XYZ turut berkontribusi dalam bidang ini, maka retensi, yaitu kemampuan perusahaan mempertahankan tenaga kerja panen kelapa sawit, menjadi penting untuk menjaga stabilitas dan kinerjanya. Random Forest diusulkan sebagai algoritma untuk mengklasifikasikan retensi tenaga kerja panen kelapa sawit. Berisi data 370 pekerja selama satu bulan, dataset diperoleh dari HRD dengan memadukan fitur kategorikal serta numerik. Tahap preprocessing meliputi data cleaning, pembuatan dan seleksi fitur, transformasi data, serta mengatasi distribusi kelas yang tidak seimbang dengan SMOTE. Rasio splitting data yaitu 70% untuk data train dan 30% untuk data test. Evaluasi model dilakukan melalui dua pendekatan: parameter default menghasilkan akurasi 98%, sedangkan hyperparameter tuning dengan GridSearchCV memperoleh akurasi yang lebih tinggi, yaitu 99%. Efektivitas Random Forest dalam mengklasifikasikan retensi tenaga kerja panen kelapa sawit terbukti melalui hasil ini. Wawasan dari penelitian ini memungkinkan HRD untuk memperkuat taktik retensi, mengoptimalkan produktivitas tenaga kerja, dan mendukung pengambilan keputusan berbasis data.
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
[1] Hidayatullah T, Kajian P, Keahlian AB, Jenderal S. Artikel Analisis Empiris Produksi Kelapa Sawit Terhadap Tingkat Kesejahteraan Petani An Empirical Analysis of Palm Oil Production on The Welfare of Farmers. Vol. 8, Jurnal Budget: Isu dan Masalah Keuangan Negara.
[2] Sulaiman AA, Amruddin A, Bahrun AH, Yuna K, Keela M. New Challenges and Opportunities of Indonesian Crude Palm Oil in International Trade. Caraka Tani: Journal of Sustainable Agriculture. 2024 Apr 1;39(1):94–106.
[3] Tassew T, Nie X. A Comprehensive Review of the Application of Machine Learning in Medicine and Health Care [Internet]. 2022. Available from: https://www.techrxiv.org/doi/full/10.36227/techrxiv.21204779.v1
[4] Tasya Billa M, Iswarini H. Faktor yang Mempengaruhi Produktivitas Tenaga Kerja Buruh Panen Kelapa Sawit Di PT. Patri Agung Perdana Estate Rambutan Desa Suka Pindah Kabupaten Banyuasin.
[5] Serlia Raflesia Lamandasa dan Frizka Paulin Lumentah Strategi Retensi Karyawan PT. Sawit Jaya Abadi dalam Meningkatkan Empolyee Engagement.
[6] Prawitasari A. Faktor-Faktor Yang Mempengaruhi Turnover Intention Karyawan Pada PT. Mandiri Tunas Finance Bengkulu.
[7] Khan N, Kamaruddin MA, Sheikh UU, Yusup Y, Bakht MP. Oil palm and machine learning: Reviewing one decade of ideas, innovations, applications, and gaps. Vol. 11, Agriculture (Switzerland). MDPI; 2021.
[8] Machine Learning.
[9] Gusnina M. Penerapan Metode Random Forest pada Klasifikasi Student Academics Performance di Universitas Sebelas Maret. 2022;
[10] Azhar Y, Mahesa GA, Mustaqim MochC. Prediction of hotel bookings cancellation using hyperparameter optimization on Random Forest algorithm. Jurnal Teknologi dan Sistem Komputer. 2021 Jan 31;9(1):15–21.
[11] Kumar P, Gaikwad SB, Ramya ST, Tiwari T, Tiwari M, Kumar B. Predicting Employee Turnover: A Systematic Machine Learning Approach for Resource Conservation and Workforce Stability †. Engineering Proceedings. 2023;59(1).
[12] Jin Z, Shang J, Zhu Q, Ling C, Xie W, Qiang B. RFRSF: Employee Turnover Prediction Based on Random Forests and Survival Analysis. In: Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics). Springer Science and Business Media Deutschland GmbH; 2020. p. 503–15.
[13] Chakraborty R, Mridha K, Shaw RN, Ghosh A. Study and Prediction Analysis of the Employee Turnover using Machine Learning Approaches. In: 2021 IEEE 4th International Conference on Computing, Power and Communication Technologies, GUCON 2021. Institute of Electrical and Electronics Engineers Inc.; 2021.
[14] Surya Budiman A. Uji Akurasi Algoritma Machine Learning Untuk Pemodelan Prediksi Faktor Pendorong Pergantian Karyawan. JSI : Jurnal Sistem Informasi (E-Journal) [Internet]. 2023;15(1). Available from: http://ejournal.unsri.ac.id/index.php/jsi/index
[15] Made I, Adnyana B, Jln SB, Puputan R. Penerapan Feature Selection untuk Prediksi Lama Studi Mahasiswa.
[16] Purba W, Sembiring GA, Saputra A, Turnip T, Jua B, Manihuruk I, et al. Penerapan Data Mining Untuk Pengelolaan Data Rekam Medis Menggunakan Metode K-Means Clustering Pada Rumah Sakit Royal Prima Medan. Jurnal TEKINKOM [Internet]. 2023;6(1). Available from: https://jurnal.murnisadar.ac.id/index.php/Tekinkom/158
[17] Wiratama Y, Abdul Aziz R. Perbandingan Prediksi Penyakit Stunting Balita Menggunakan Algoritma Support Vektor Machine dan Random Forest. Technology and Science (BITS). 2024;6(2):1159–68.
[18] Haryawan C, Muria Kusuma Ardhana Y, Raya Janti Karang Jambe No J, Bantul K. Analisa Perbandingan Teknik Oversampling SMOTE Pada Imbalanced Data [Internet]. Vol. 6, Jurnal Informatika & Rekayasa Elektronika). 2023. Available from: http://e-journal.stmiklombok.ac.id/index.php/jire
[19] Ramadanti E, Dinathi DA, Sri C, Aditya K, Chandranegara R. Diabetes Disease Detection Classification Using Light Gradient Boosting (LightGBM) With Hyperparameter Tuning. Jurnal dan Penelitian Teknik Informatika [Internet]. 2024;8(2). Available from: https://doi.org/10.33395/v8i2.13530
[20] Jasman TZ, Fadhlullah MA, Pratama AL, Rismayani R. Analisis Algoritma Gradient Boosting, Adaboost dan Catboost dalam Klasifikasi Kualitas Air. Jurnal Teknik Informatika dan Sistem Informasi. 2022 Aug 26;8(2).