Analisis Faktor yang Mempengaruhi Promosi Karyawan Menggunakan Random Forest pada Dataset Employee Promotion
Kata Kunci:
promosi karyawan, random forest, SMOTE, klasifikasi, HR analyticsAbstrak
Promosi karyawan merupakan aspek penting dalam manajemen sumber daya manusia yang berperan dalam
meningkatkan motivasi, retensi, dan kinerja organisasi. Namun, keputusan promosi seringkali dinilai subjektif dan
kurang transparan. Penelitian ini menerapkan algoritma Random Forest pada Employee Promotion Dataset untuk
mengidentifikasi faktor-faktor utama yang memengaruhi promosi. Metodologi yang digunakan adalah CRISPDM, mencakup pemahaman data, prapemrosesan, pemodelan, dan evaluasi. Untuk mengatasi ketidakseimbangan
data, digunakan metode SMOTE. Model yang dibangun menunjukkan akurasi sebesar 93%, precision 85,13%,
dan recall 26,55%. Analisis feature importance menunjukkan bahwa skor pelatihan, rating kinerja, lama bekerja,
capaian KPI, dan penghargaan merupakan faktor dominan. Hasil ini mendukung pengembangan sistem
pengambilan keputusan promosi karyawan berbasis data
Unduhan
Referensi
F. Elfaladonna, V. E. Putri, and D. Apryanty, “Analisis
Algoritma Naïve Bayes Untuk Pendukung Keputusan Promosi
Jabatan (PT. Xyz),” 2024.
L. Madaerdo Sotarjua, D. Budhi Santoso, U. H.
Singaperbangsa Karawang Jl Ronggo Waluyo, K. Telukjambe
Timur, K. Karawang, and J. Barat, “PERBANDINGAN
ALGORITMA KNN, DECISION TREE,*DAN
RANDOM*FOREST PADA DATA IMBALANCED CLASS
UNTUK KLASIFIKASI PROMOSI KARYAWAN,” vol. 7, no. 2,
p. 2022.
Miftahuljannah, M., Sunge, A. S., & Zy, A. T. (2023).
Analisis prediksi penjualan dengan metode regresi linear di PT.
Eagle Industry Indonesia. JINTEKS (Jurnal Informatika Teknologi
dan Sains), 5(3), 398–403
. P. C. Promosi Jabatan Karyawan Dengan Algoritma, S.
Kasus, and A. Senayan Jakarta, “Prediction of Employee Position
Promotion Using C4.5 Algorithm (Case Study: Senayan Apartment
Jakarta),” 2019.
P. C. Promosi Jabatan Karyawan Dengan Algoritma, S.
Kasus, and A. Senayan Jakarta, “Prediction of Employee Position
Promotion Using C4.5 Algorithm (Case Study: Senayan Apartment
Jakarta),” 2019.
M. N. Tentua and S. Sumarmi, “Prediksi Promosi
Pegawai Menggunakan Metode Extremely Randomized Trees,”
Jurnal Dinamika Informatika, vol. 12, no. 2, 2023, [Online].
Available: https://scikit-learn.org/stable/modules/ensemble.html
A. Maehendrayuga, A. Setyanto, and Kusnawi,
“Analisa Prediksi Turnover Karyawan menggunakan Machine
Learning,” bit-Tech, vol. 7, no. 2, pp. 648–659, Dec. 2024, doi:
32877/bt.v7i2.1999.
R. B. Handoko and S. Suyanto, “Klasifikasi Gender
Berdasarkan Suara Menggunakan Support Vector Machine,”
Indonesian Journal on Computing (Indo-JC), vol. 4, no. 1, p. 9,
Mar. 2019, doi: 10.21108/indojc.2019.4.1.244.
I. Putu, R. Paramaditya, and C. Pramartha,
“Implementasi Algoritma Random Forest Dalam Menentukan
Kualitas Susu Sapi,” 2022. [Online]. Available:
https://www.kaggle.com/datasets/yrohit199/milk-quality
S. A1 and Meiriyama, “Penerapan Algoritma Random
Forest untuk Klasifikasi Jenis Daun Herbal,” 2023.
D. N. Handayani and S. Qutub, “Penerapan Random
Forest Untuk Prediksi Dan Analisis Kemiskinan,” RIGGS: Journal
of Artificial Intelligence and Digital Business, vol. 4, no. 2, pp.
–412, May 2025, doi: 10.31004/riggs.v4i2.512.
F. T. Kurniati and D. Pramana, “Identifikasi Objek
Menggunakan Random Forest dan Multi-Fitur,” 2023.
N. Hidayah, “8 | Implementasi Algoritma Multinomial
Naïve Bayes, TF-IDF dan Confusion Matrix dalam
Pengklasifikasian Saran Monitoring dan … Implementasi
Algoritma Multinomial Naïve Bayes, TF-IDF dan Confusion
Matrix dalam Pengklasifikasian Saran Monitoring dan Evaluasi
Mahasiswa Terhadap Dosen Teknik Informatika Universitas
Dayanu Ikhsanuddin,” Jurnal Akademik Pendidikan Matematika,
vol. 10, no. 1, 2024, doi: 10.55340/japm.v10i1.1491.
S. Clara et al., Implementasi Seleksi Fitur Pada
Algoritma Klasifikasi Machine Learning Untuk Prediksi
Penghasilan Pada Adult Income Dataset. 2021.
R. Gelar Guntara, “Visualisasi Data Laporan Penjualan
Toko Online Melalui Pendekatan Data Science Menggunakan
Google Colab,” Jurnal Ilmiah Multidisiplin, vol. 2, no. 6, 2023.
M. N. Fahmi, “Implementasi Mechine Learning
menggunakan Python Library?: Scikit-Learn (Supervised dan
Unsupervised Learning),” Sains Data Jurnal Studi Matematika dan
Teknologi, vol. 1, no. 2, pp. 87–96, Dec. 2023, doi:
52620/sainsdata.v1i2.31.
D. Fernando and R. G. Guntara, “Model Klasifikasi
Penyebab Turnover Karyawan Menggunakan Kerangka Kerja
CRISP-DM”.
##submission.downloads##
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Sapto Kurniawan, Agung, Suherman
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
