Data yang menumpuk tidak ada artinya kalau tidak pernah dibaca. Kami bantu mengolahnya jadi angka yang bisa dipakai mengambil keputusan.
Halaman ini untuk pengerjaan Prediksi Atrisi Karyawan dengan Random Forest untuk Strategi Retensi SDM menggunakan RapidMiner. Proyek ini memprediksi karyawan yang berisiko keluar dari perusahaan fiktif memakai Random Forest dan Cross Validation. Weight by Information Gain mengurutkan faktor pendorong, dan ambang keputusan diturunkan agar lebih banyak karyawan berisiko tertangkap.
Yang Anda Terima
- Proses RapidMiner (.rmp) siap jalan, lengkap dengan pengaturan operator yang bisa Anda buka dan ubah
- Dataset yang sudah dibersihkan: duplikat, format berantakan, dan nilai kosong dirapikan dulu
- Hasil analisis berupa tabel CSV/Excel, misalnya akurasi (validasi silang)
- Laporan interpretasi manajerial dalam bahasa yang dimengerti orang non-teknis, lengkap dengan rekomendasi tindakan
- Sesi penjelasan hasil dan panduan singkat menjalankan ulang prosesnya
Operator yang Dipakai
Read CSV, Remap Binominals, Multiply, Weight by Information Gain, Cross Validation, Random Forest, Apply Model, Create Threshold, Apply Threshold, Performance (Binominal Classification), Performance to Data, Weights to Data, Write CSV.
Contoh Hasil pada Proyek Portofolio
- Akurasi (validasi silang): 83,5%
- AUC: 0,839
- Recall karyawan keluar (ambang 0,3): 52,3%
- Precision karyawan keluar: 59,9%
- Faktor terkuat: Lembur (jam/bulan)
Bagaimana Prosesnya
- Pemetaan pertanyaan — kami pastikan dulu keputusan apa yang mau diambil dari data ini
- Audit data — cek kelengkapan dan kualitas data sebelum dianalisis
- Pengolahan dan pemodelan — proses dijalankan di RapidMiner, asumsi dan parameter dicatat terbuka
- Review bersama — hasil dibahas, arah analisis bisa disesuaikan
- Serah terima — file proses, dataset bersih, dan laporan interpretasi
Biasanya Dipakai Untuk
- Mahasiswa Manajemen Sumber Daya Manusia
- Praktisi SDM yang ingin memetakan risiko karyawan keluar



