Improving Employee Retention by Predicting Employee Attrition Using Machine Learning

Project ini merupakan project yang bertujuan untuk meningkatkan retensi karyawan dengan memprediksi atrusi karyawannya. Project ini dibuat menggunakan bahasa pemrograman Python

Daftar Isi

• Data Preprocessing
• Laporan Tahunan Perubahan Jumlah Karyawan
• Analisis Alasan Mengundurkan Diri Untuk Strategi Manajemen Attrusi Karyawan
• Membangun Prediksi Perilaku Pengunduran Diri Otomatis Menggunakan Machine Learning
• Menyajikan Hasil Machine Learning kepada Pengguna Bisnis

Bagian 0: Pendahuluan

1. Background
Sumber daya manusia (SDM) adalah aset utama yang perlu dikelola dengan baik oleh perusahaan agar tujuan bisnis dapat tercapai dengan efektif dan efisien. Pada kesempatan kali ini, kita akan menghadapi sebuah permasalahan tentang sumber daya manusia yang ada di perusahaan. Fokus kita adalah untuk mengetahui bagaimana cara menjaga karyawan agar tetap bertahan di perusahaan yang ada saat ini yang dapat mengakibatkan bengkaknya biaya untuk rekrutmen karyawan serta pelatihan untuk mereka yang baru masuk. Dengan mengetahui faktor utama yang menyebabkan karyawan tidak merasa, perusahaan dapat segera menanggulanginya dengan membuat program-program yang relevan dengan permasalahan karyawan.

2. Goals
Proyek ini bertujuan untuk mengatasi masalah kritis dari pengurangan karyawan dengan memanfaatkan machine learning. Retensi karyawan tidak hanya penting untuk kesejahteraan tenaga kerja, tetapi juga untuk keberhasilan dan stabilitas organisasi apapun.

3. Objective
Membuat visualisasi berbasis data sebagai insight bagi perusahaan, terutama HR

4. Feature Description

Feature	Description
Username	Nama pengguna karyawan yang unik.
EnterpriseID	Identitas dalam perusahaan.
StatusPernikahan	Status perkawinan.
JenisKelamin	Jenis kelamin.
StatusKepegawaian	Status pekerjaan.
Pekerjaan	Posisi pekerjaan.
JenjangKarir	Tingkat karier.
PerformancePegawai	Peringkat kinerja.
AsalDaerah	Wilayah asal.
HiringPlatform	Platform digunakan untuk menyewa.
SkorSurveyEngagement	Skor pertunangan.
SkorKepuasanPegawai	Nilai kepuasan karyawan.
JumlahKeikutsertaanProjek	Jumlah proyek yang berpartisipasi.
JumlahKeterlambatanSebulanTerakhir	Hitungan keterlambatan bulanan terbaru.
JumlahKetidakhadiran	Jumlah absen.
NomorHP	Nomor telepon karyawan.
Email	Alamat email karyawan.
TingkatPendidikan	Tingkat pendidikan.
PernahBekerja	Riwayat pekerjaan sebelumnya.
IkutProgramLOP	Partisipasi dalam program tertentu (LOP).
AlasanResign	Alasan pengunduran diri (jika berlaku).
TanggalLahir	Tanggal lahir.
TanggalHiring	Tanggal perekrutan.
TanggalPenilaianKaryawan	Tanggal evaluasi karyawan.
TanggalResign	Tanggal pengunduran diri untuk karyawan yang mengundurkan diri.

Bagian 1: Data Preprocessing

Pada proses ini dilakukan pemrosesan data sekaligus pembersihan data, yang terdiri dari pemeriksaan null / missing value, duplikasi data, dan konsistensi nilai. Hasilnya tertera pada tabel dibawah.

Bagian 2: Laporan Tahunan Perubahan Jumlah Karyawan

Grafik dibawah menunjukkan tren perubahan jumlah karyawan dari tahun ke tahunnya.
Berdasarkan grafik diatas, dapat dilihat bahwa:

1. Selama 2006-2013, jumlah karyawan yang masuk relatif rendah, dan ada peningkatan bertahap pada karyawan yang keluar.
2. Pada 2013, sejumlah besar karyawan mengundurkan diri, mengakibatkan penurunan tajam pada total karyawan yang tersisa. Tren ini berlanjut pada 2014 dan 2015. Peningkatan karyawan yang keluar mungkin disebabkan oleh berbagai faktor seperti ketidakpuasan pekerjaan, kesempatan kerja di tempat lain, dan lain sebagainya.
3. Jumlah karyawan yang masuk pada 2015-2017 tetap moderat, tetapi jumlah karyawan yang keluar tetap tinggi.
4. Pada 2018, jumlah karyawan yang masuk sangat rendah, sedangkan jumlah karyawan yang keluar secara signifikan lebih tinggi. Hal ini menyebabkan penurunan drastis pada total karyawan yang tersisa. Tren peningkatan pengunduran diri mungkin disebabkan oleh masalah internal atau faktor eksternal yang mempengaruhi stabilitas pekerjaan.

Bagian 3: Analisis Alasan Mengundurkan Diri Untuk Strategi Manajemen Attrusi Karyawan

Terlihat bahwa Software Engineer adalah divisi yang paling dominan pada perusahaan dengan total 73,71% dari persentase dari seluruh divisi menunjukkan betapa pentingnya peran Software Engineer di perusahaan. Kemudian, divisi yang dominan diikuti oleh UI & UX dengan 7,73%, sementara divisi sisanya di bawah 6% menunjukkan beberapa asumsi bahwa ini mungkin ada beberapa hierarki struktural peran penting bagi perusahaan seperti Software Engineer.
Dapat terlihat bahwa karyawan yang resign paling banyak merupakan fresh graduate, diikuti dengan mid level dan senior level .
Pada grafik ini, dapat terlihat bahwa pegawai yang resign ternyata memiliki performa yang sangat bagus. Hal ini dapat disebabkan karena pegawai dituntut untuk mendapatkan kesempatan yang lebih baik atau tujuan pengembangan karier pribadi.
Berdasarkan alasan resign, banyak pegawai yang mengajukan resign karena jam kerja, keinginan untuk berganti karir, serta kejelasan karir yang belum jelas.

Bagian 4: Membangun Prediksi Perilaku Pengunduran Diri Otomatis Menggunakan Machine Learning

Pada tahapan ini, akan dibangun model yang dapat memprediksi indikasi penyebab resign dengan menggunakan model machine learning. Untuk pelatihan dan evaluasi model yang kuat, 287 data karyawan dibagi menjadi data training (79,79%) dan data testing (20,21%). Dengan memanfaatkan berbagai model machine learning, didapatkan insight sebagai berikut.

Metode Machine Learning	Accuracy	Precision	Recall	F1-Score	ROC
Support Vector Machine	0.67	0.0	0.0	0.0	0.5
Gradient Boosting	0.95	0.9	0.95	0.92	0.95
Decision Tree	0.93	0.86	0.95	0.9	0.93
Random Forest	0.91	1.0	0.74	0.85	0.87
Linear Regression	0.67	0.5	0.11	0.17	0.53

Terlihat bahwa model Gradient Boosting menunjukkan hasil yang baik, dengan akurasi 94,83% dengan keakurasian 94,80%. Kemampuan prediksi dan keakuratannya dalam mengidentifikasi potensi pengunduran diri menjadikannya model yang direkomendasikan untuk prediksi retensi karyawan. Lalu dilakukan analisis Cross-Validation dan Hyperparameter Tuning, dimana model mengalami fine-tuning, menampilkan metrik kinerja yang cukup baik dengan:

• Rerata Precision: 0,97
• Rerata Recall: 0,96
• Rerata ROC-AUC: 0.97
  

Gambar disamping merupakan confusion matrix dengan pengoptimalkan hiperparameter yang menghasilkan skor AUC yang sempurna, 1.00. Pilihan hiperparameter dan skor ROC-AUC yang dihasilkan menggarisbawahi kemampuan kuat model untuk membedakan antara kasus positif dan negatif dengan diskriminasi sempurna. Hiperparameter terbaik untuk model termasuk Learning Rate: 0.01, Max Depth: 4, Min Samples Leaf: 5, Min Samples Split: 3, Number of Estimators: 50, dan Subsample: 0.8
Selanjutnya, akan dilakukan analisis feature importance, dimana terlihat bahwa pentingnya fitur AlasanResign menunjukkan bahwa alasan khusus yang diberikan karyawan untuk pengunduran diri mereka memberikan peran penting dalam feature importance ini. Selain itu, pentingnya fitur AsalKota_JakartaSelatan menyiratkan bahwa letak geografis asal-usul karyawan merupakan faktor lainnya yang patut menjadi perhatian.
Lalu, setelah dilakukannya analisis kurva ROC (Receiver Operating Curve), terlihat bahwa Kurva ROC untuk model mencapai area luar biasa di bawah kurva (AUC) 0,99, yang berarti model memiliki kemampuan tinggi untuk membedakan antara karyawan yang kemungkinan akan mengundurkan diri dan mereka yang kemungkinan akan tinggal. Nilai AUC yang tinggi ini merupakan tanda yang menjanjikan bahwa model ini efektif dalam mengidentifikasi potensi pengunduran diri, yang dapat sangat berharga untuk strategi retensi karyawan.

Bagian 5: Menyajikan Hasil Machine Learning kepada Pengguna Bisnis

Selanjutnya, dibawah ini ditunjukkan plot SHAP Values dengan menggunakan Gradient Boosting (kiri) dan Neural Network (kanan)
Baik model Gradient Boosting dan Neural Network memperlihatkan pentingnya faktor-faktor seperti alasan resign dan usia karyawan sebagai penentu retensi karyawan. Alasan pengunduran diri harus dipantau dengan ketat, dan masa jabatan karyawan perlu dipupuk dan dihargai. Namun, Neural Network menekankan pentingnya lama menjabat dan hari hiring, menunjukkan bahwa memelihara pertumbuhan karyawan dan mengoptimalkan proses onboarding sangat penting untuk retensi. Menggabungkan wawasan dari kedua model dapat menyebabkan pendekatan yang lebih komprehensif untuk retensi karyawan. Dengan mengatasi fitur-fitur utama ini, perusahaan dapat secara proaktif mengurangi omset, meningkatkan kepuasan karyawan, dan akhirnya meningkatkan kinerja bisnis mereka.