Estimasi kinerja karyawan berdasarkan motivasi kerja dan lama pelatihan melalui Gradient Boosting Regresi

Info proyek

• Bidang studiManajemen Sumber Daya Manusia
• JenjangDisertasi (S3)
• Jenis metodeRegresi
• Perkiraan pengerjaan± 7 hari kerja
• Perangkatscikit-learn GradientBoostingRegressor, staged_predict, mean_squared_error
• HargaRp 550.000 - Rp 3.350.000

Tujuan analisis

Menerapkan Gradient Boosting Regresi pada data sintetis untuk memodelkan kinerja karyawan berdasarkan motivasi kerja dan lama pelatihan dan menilai ketepatan prediksinya.

Variabel

Contoh hasil

• 0.878R2 (test)
• 4.99RMSE (test)
• 4.13MAE (test)
• 109Best iteration
• 0.08Learning rate
• 0.505Top importance

Gradient boosting mencapai R2 uji 0.878 untuk Kinerja karyawan (RMSE 4.990); galat uji minimum dicapai pada iterasi ke-109.

Dihitung dari data sintetis sebagai ilustrasi, bukan dari penelitian nyata.

Tentang Gradient Boosting Regresi

Gradient boosting regresi membangun pohon secara bertahap, tiap pohon memperbaiki galat pohon sebelumnya. Dipakai ketika butuh akurasi prediksi tinggi pada data tabular dan ada waktu untuk menyetel hyperparameter.

Langkah pengerjaan

1. 1Bagi data latih dan uji
2. 2Tetapkan learning_rate kecil dan jumlah pohon yang cukup
3. 3Batasi kedalaman pohon agar tidak overfitting
4. 4Pantau kurva galat latih dan uji tiap iterasi
5. 5Evaluasi R2 dan RMSE pada data uji
6. 6Hitung pentingnya fitur

Asumsi yang perlu diperiksa

• Data cukup banyak agar boosting stabil
• Learning rate, kedalaman, dan jumlah pohon disetel pada validasi, bukan data uji
• Outlier ekstrem dapat memengaruhi loss kuadrat

Membaca dan melaporkan hasil

Laporkan hyperparameter akhir, R2, dan RMSE data uji, serta kurva galat per iterasi untuk menunjukkan titik berhenti. Bandingkan dengan random forest atau regresi linear sebagai pembanding.

Contoh kode Python

Skrip awal singkat dengan nama variabel proyek ini. Versi yang diserahkan disesuaikan dengan data Anda dan diberi komentar lengkap.

import numpy as np
import matplotlib.pyplot as plt
from sklearn.ensemble import GradientBoostingRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import r2_score, mean_squared_error

rng = np.random.default_rng(3)
n = 500
work_motivation = rng.uniform(-3, 3, n)
training_duration = rng.normal(size=n)
employee_performance = work_motivation ** 2 + 2 * training_duration + rng.normal(0, 0.5, n)

X = np.column_stack([work_motivation, training_duration])
X_tr, X_te, y_tr, y_te = train_test_split(X, employee_performance, test_size=0.25, random_state=3)
gb = GradientBoostingRegressor(n_estimators=400, learning_rate=0.05, max_depth=3,
                               subsample=0.8, random_state=3)
gb.fit(X_tr, y_tr)
pred = gb.predict(X_te)
print("Test R2:", round(r2_score(y_te, pred), 3))
print("Test RMSE:", round(mean_squared_error(y_te, pred) ** 0.5, 3))
print("Importance:", gb.feature_importances_.round(3))

tr_err = [mean_squared_error(y_tr, p) for p in gb.staged_predict(X_tr)]
te_err = [mean_squared_error(y_te, p) for p in gb.staged_predict(X_te)]
plt.plot(tr_err, label="Train MSE")
plt.plot(te_err, label="Test MSE")
plt.xlabel("Boosting iteration"); plt.ylabel("MSE"); plt.legend()
plt.show()

Paket dan harga

Pilih seberapa banyak bantuan yang Anda perlukan. Setiap paket yang lebih tinggi sudah mencakup semua item paket di bawahnya. Harga belum termasuk PPN 11%.

• Pembayaran: DP 50% sebelum pekerjaan dimulai, pelunasan setelah hasil diserahkan
• Pajak: Harga belum termasuk PPN 11%
• Data dan integritas akademik: Hasil dihitung dari data penelitian Anda sendiri; Anda yang menulis dan mempertanggungjawabkan naskah, kami membantu analisis dan pemahaman
• Revisi: Maksimal 2 kali revisi termasuk dalam harga (Paket 3: 3 kali)

Pertanyaan umum