Cegah Turnover dengan Dashboard Attrition Prediction

Yuk, kenalan dengan Muhammad Ridhwan, salah satu alumni Algoritma Data Science School dari Batch Thea. Sebagai Fresh Graduate, Ridhwan bersemangat untuk membuat Dashboard berdasarkan latar belakang yang didapatkan dari pengamatannya yang diyakini akan sangat bermanfaat untuk HR di perusahaan manapun.

Muhammad Ridhwan, lulusan jurusan Sistem Informasi tahun 2022, mengikuti Boothcamp Algoritma Data Science School untuk meningkatkan karirnya. Selama di Algoritma, Ridhwan telah menyelesaikan lima Learning by Building (LBB) mulai dari Data Analytic, Data Visualization, dan Machine Learning. Sebagai fresh graduate, dalam pengalamannya mencari pekerjaan, Ridhwan malah menemukan banyak orang yang ingin resign dari pekerjaannya. Hal ini membuatnya bertanya-tanya, apa faktor yang membuat orang ingin resign dari pekerjaannya? Apakah HR di perusahaan dapat memperdiksikan orang-orang yang berpotensi untuk mengundurkan diri dari pekerjaannya? Pertanyaan-pertanyaan itu lah yang mendorong Ridhwan untuk menciptakan Dashboardnya untuk mengidentifikasi faktor-faktor yang mempengaruhi turnover pegawai dan memprediksikan apakah pegawai tersebut akan mengundurkan diri atau tidak.

Dashboard Attrition Prediction

Ridhwan membuat dashboard berjudul “Predicting Attrition Using Logistic Regression” yang menampilkan tiga halaman yang dapat di-highlight. Halaman pertama adalah kumpulan data, yang berisi data-data yang digunakan oleh Ridhwan. Halaman kedua adalah analisis data, di mana kita dapat menjelajahi data dengan mengamati hubungan antara variabel primer dan variabel numerik dan faktor lainnya.

Misalnya, kita dapat memeriksa jarak dari rumah karyawan ke perusahaan, di mana kita melihat bahwa jumlah karyawan yang mengundurkan diri lebih signifikan untuk jarakrumah kurang dari 10 km daripada jarak lebih dari 10 km. Kita juga dapat melihat korelasi antara variabel atrisi dengan lama masa kerja karyawan di perusahaan. Grafik menunjukkan bahwa periode terpanjang dengan jumlah karyawan yang besar adalah sepuluh tahun, setelah itu jumlah karyawan menurun. Kita dapat menyimpulkan bahwa karyawan yang bekerja lebih lama di perusahaan lebih kecil kemungkinannya untuk mengundurkan diri.

Halaman ketiga adalah model, di mana Ridhwan menyajikan tiga metode yang dipertimbangkannya sebelum memilih regresi logistik. Metode Random Forest memiliki kinerja model yang lebih rendah daripada regresi logistik dan mengalami overfitting, sehingga tidak cocok. Sedangkan Metode Decision Tree memiliki kinerja model 78%, dengan nilai recall 81% dan nilai presisi 91%, masih lebih rendah dari regresi logistik. Metode regresi logistik menghasilkan model dengan akurasi 87%, nilai recall 98%, dan nilai presisi 88%. Oleh karena itu, Ridhwan memilih regresi logistik dan mengidentifikasi variabel signifikan berdasarkan kumpulan data.

Manfaat Dashboard Attrition Prediction Milik Ridhwan

Dasbor Ridhwan menampilkan keahliannya dalam menggunakan Pembelajaran Mesin untuk memprediksi turnover karyawan. Hasil model regresi logistiknya dapat membantu perusahaan mengidentifikasi faktor-faktor penyebab karyawan mengundurkan diri dan mengambil tindakan untuk mencegahnya. Metode ini merupakan alat manajemen SDM yang efektif untuk memastikan bahwa karyawan tetap puas dengan pekerjaannya dan perusahaan.

Dalam lingkungan bisnis yang sangat kompetitif, perusahaan harus memastikan bahwa karyawan mereka merasa dihargai dan diperhatikan. Dengan menggunakan dashboard prediksi atrisi yang dibuat oleh Ridhwan, perusahaan dapat mengambil tindakan preventif sebelum karyawan mengambil keputusan untuk keluar dari perusahaan. Tindakan ini dapat berupa perbaikan komunikasi antara manajemen dan karyawan, meningkatkan kesejahteraan karyawan, atau meningkatkan insentif dan tunjangan bagi karyawan yang bertahan dalam perusahaan. Dengan cara ini, perusahaan dapat mengurangi biaya yang dikeluarkan untuk merekrut dan melatih karyawan baru, serta meningkatkan produktivitas karyawan yang tetap bekerja di perusahaan.

Nah, itulah dashboard yang dibuat oleh Ridhwan pada student project-nya setelah mengikuti program pembelajaran bersama Algoritma Data Science School. Jika Anda ingin mengetahui lebih lanjut project yang Ridhwan buat, Anda bisa mengunjungi Github dan LinkedIn Ridhwan dan jika Anda tertarik mengikuti jejak Ridhwan, let’s start your data science journey with Algoritma!