PENDEKATAN DATA-DRIVEN: CLUSTERING UNTUK SEGMENTASI KARYAWAN YANG CENDERUNG MENGALAMI ATRISI

Fanindia Purnamasari

doi:10.46576/djtechno.v6i2.6676

PENDEKATAN DATA-DRIVEN: CLUSTERING UNTUK SEGMENTASI KARYAWAN YANG CENDERUNG MENGALAMI ATRISI

Fanindia Purnamasari

Abstract

Analisis sumber daya manusia dapat dilakukan melalui pendekatan berbasis data untuk mendukung pengambilan keputusan yang lebih efektif. Clustering, yaitu metode pengelompokan data berdasarkan kesamaan fitur tanpa label sebelumnya, merupakan salah satu teknik yang banyak digunakan. Penelitian ini bertujuan untuk menemukan pola dan mengklasifikasikan kelompok karyawan yang berpotensi mengalami atrisi berdasarkan karakteristik seperti performa kerja, masa kerja, dan data demografis. Dua algoritma clustering, yaitu K-Means dan DBSCAN, dibandingkan untuk mendapatkan hasil terbaik. Hasil penelitian menunjukkan adanya empat kelompok utama: pekerja senior dengan performa tinggi, karyawan dengan pengalaman baru, tenaga teknis berpengalaman, dan kelompok produktif dengan latar belakang pengalaman yang beragam. Proses prapemrosesan, analisis data, dan penerapan algoritma clustering dilakukan untuk menghasilkan segmentasi yang akurat. Hasil segmentasi ini diharapkan dapat menjadi dasar bagi manajemen dalam merancang strategi pengembangan SDM yang lebih tepat sasaran, serta meningkatkan efisiensi dan perencanaan SDM secara keseluruhan.

Full Text:

PDF

References

L. Febrianti and N. Rahmadi, “Pengaruh Reward dan Motivasi Kerja terhadap Kinerja Karyawan pada PT Aquafarm Nusantara,” Reslaj: Religion Education Social Laa Roiba Journal, vol. 5, no. 6, p. 3699, 2023, doi: 10.47476/reslaj.v5i6.4518.

O. : Jepry and N. H. Mardika, “Pengaruh Kedisiplinan dan Motivasi Terhadap Kinerja Karyawan Pada PT. Pana Lantas Sindo Ekspress,” Jurnal EMBA : Jurnal Riset Ekonomi, Manajemen, Bisnis dan Akuntansi, vol. 8, no. 1, 2020.

Y. Adrianova Eka Tuah, P. Studi Pendidikan Komputer, and S. Persada Khatulistiwa Sintang, “Implementasi Model Regresi Linear Sederhana untuk Prediksi Gaji Berdasarkan Pengalaman Lama Bekerja,” 2020.

Linda Daniati Melinda, B. Harto, Sulistianingsih, Hery Syaerul Homan, and Dwi Puryati, “Integrasi Teknologi Informasi dalam Manajemen Sumber Daya Manusia: Sebuah Studi Kualitatif tentang Dampaknya pada Kinerja Keuangan Perusahaan,” ATRABIS Jurnal Administrasi Bisnis (e-Journal), vol. 9, no. 2, pp. 321–335, Dec. 2023, doi: 10.38204/atrabis.v9i2.1820.

S. Majumder, “Visualizing Insights to Empower HR Decision-Making: A Data-Driven Approach,” 2024, pp. 127–138. doi: 10.1007/978-981-97-6992-6_10.

G. Pratibha and N. P. Hegde, “HR Analytics : Early Prediction of Employee Attrition using KPCA and Adaptive K-means based Logistic Regression,” in 2022 Second International Conference on Interdisciplinary Cyber Physical Systems (ICPS), IEEE, May 2022, pp. 11–16. doi: 10.1109/ICPS55917.2022.00010.

M. R. Shafie, H. Khosravi, S. Farhadpour, S. Das, and I. Ahmed, “A cluster-based human resources analytics for predicting employee turnover using optimized Artificial Neural Networks and data augmentation,” Decision Analytics Journal, vol. 11, p. 100461, Jun. 2024, doi: 10.1016/j.dajour.2024.100461.

A. Serra and R. Tagliaferri, “Unsupervised Learning: Clustering,” in Encyclopedia of Bioinformatics and Computational Biology, Elsevier, 2019, pp. 350–357. doi: 10.1016/B978-0-12-809633-8.20487-1.

D. Zakiyah, N. Merlina, and N. A. Mayangky, “Penerapan Algoritma K-Means Clustering Untuk Mengetahui Kemampuan Karyawan IT,” Computer Science (CO-SCIENCE), vol. 2, no. 1, pp. 59–67, Jan. 2022, doi: 10.31294/coscience.v2i1.623.

M. Ahmed, R. Seraj, and S. M. S. Islam, “The k-means Algorithm: A Comprehensive Survey and Performance Evaluation,” Electronics (Basel), vol. 9, no. 8, p. 1295, Aug. 2020, doi: 10.3390/electronics9081295.

Y. Zhang, “Application of nonlinear clustering optimization algorithm in web data mining of cloud computing,” Nonlinear Engineering, vol. 12, no. 1, Jan. 2023, doi: 10.1515/nleng-2022-0239.

F. R. Ferdiansyah, R. W. Nugraha, R. Sofian, H. Purwanto, D. Saepudin, and E. Andriansyah, “Implementation of K-Means and DBSCAN algorithms: A Bibliometric Review,” 2024, pp. 192–202. doi: 10.2991/978-94-6463-618-5_21.

R. Efendi, A. Junaidi, and A. M. Rizki, “Penentuan Pusat Klaster Secara Otomatis Pada Algoritma Density Peaks Clustering Berbasis Metode Inter Quartile Range,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, no. 3, Aug. 2024, doi: 10.23960/jitet.v12i3.4997.

Ch. S. K. Dash, A. K. Behera, S. Dehuri, and A. Ghosh, “An outliers detection and elimination framework in classification task of data mining,” Decision Analytics Journal, vol. 6, p. 100164, Mar. 2023, doi: 10.1016/j.dajour.2023.100164.

P. Warner, “Quantifying association in ordinal data,” Journal of Family Planning and Reproductive Health Care, vol. 36, no. 2, pp. 83–85, Apr. 2010, doi: 10.1783/147118910791069187.

Md. Raihan-Al-Masud and M. R. H. Mondal, “Data-driven diagnosis of spinal abnormalities using feature selection and machine learning algorithms,” PLoS One, vol. 15, no. 2, p. e0228422, Feb. 2020, doi: 10.1371/journal.pone.0228422.

Y. Januzaj, E. Beqiri, and A. Luma, “Determining the Optimal Number of Clusters using Silhouette Score as a Data Mining Technique,” International Journal of Online and Biomedical Engineering (iJOE), vol. 19, no. 04, pp. 174–182, Apr. 2023, doi: 10.3991/ijoe.v19i04.37059.

D. A. Tarigan, “Optimization of the K-Means Clustering Algorithm Using Davies Bouldin Index in Iris Data Classification,” Media Online), vol. 4, no. 1, pp. 545–552, 2023, doi: 10.30865/klik.v4i1.964.

DOI: https://doi.org/10.46576/djtechno.v6i2.6676