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.
Tujuan Bisnis
Kenali karyawan yang berisiko keluar dan faktor yang paling mendorongnya. Bidang penerapan: Sumber Daya Manusia. Tingkat proyek: lanjut.
Alat dan Operator RapidMiner
Proses dibangun dengan operator berikut:
- 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
Yang Akan Anda Pelajari
- Mempraktikkan Random Forest dan Cross Validation pada data tidak seimbang
- Memahami peran ambang keputusan pada recall dan precision
- Menerjemahkan bobot atribut menjadi program retensi yang konkret
Langkah Pengerjaan
- Baca data karyawan — Read CSV memuat data_karyawan.csv (3.000 karyawan, 12 atribut). id_karyawan menjadi id dan keluar menjadi label binominal (ya/tidak).
- Tetapkan kelas positif — Remap Binominals menjadikan "ya" (karyawan keluar) sebagai kelas positif agar precision dan recall menilai kemampuan menemukan yang berisiko keluar.
- Gandakan data — Multiply menyalurkan data ke dua jalur: pembobotan atribut dan validasi silang.
- Beri bobot atribut — Weight by Information Gain menilai seberapa kuat tiap atribut membedakan karyawan yang keluar. Weights to Data dan Write CSV menyimpan daftar bobotnya.
- Latih Random Forest dalam Cross Validation — Cross Validation 10 lipatan (stratified). Bagian Training berisi Random Forest dengan 100 pohon, kriteria gain ratio, kedalaman maksimum 10.
- Turunkan ambang keputusan — Karena karyawan yang keluar minoritas, ambang 0,5 membuat hampir semua ditebak bertahan. Create Threshold (0,3) dan Apply Threshold menandai karyawan sebagai berisiko bila peluang keluarnya minimal 30%.



