Pemodelan keputusan karyawan keluar berdasarkan kepuasan kerja dan masa kerja Berbasis Random Forest Klasifikasi

Info proyek

• Bidang studiManajemen Sumber Daya Manusia
• JenjangDisertasi (S3)
• Jenis metodeKlasifikasi
• Perkiraan pengerjaan± 7 hari kerja
• Perangkatscikit-learn RandomForestClassifier, confusion_matrix, roc_auc_score
• HargaRp 500.000 - Rp 3.250.000

Tujuan analisis

Menerapkan Random Forest Klasifikasi pada data sintetis untuk mengklasifikasikan keputusan karyawan keluar berdasarkan kepuasan kerja dan masa kerja dan menilai akurasinya.

Variabel

Contoh hasil

• 0.958Accuracy
• 0.946Precision
• 0.972Recall
• 0.959F1-score
• 0.978ROC AUC
• 0.455Importance Job sat…

Model random forest mengklasifikasikan Status keluar karyawan (rendah/tinggi) dari Kepuasan kerja dan Masa kerja dengan akurasi uji 0.958, F1 0.959 dan AUC 0.978.

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

Tentang Random Forest Klasifikasi

Random forest klasifikasi menggabungkan suara banyak pohon yang dilatih pada sampel bootstrap dan subset fitur acak. Cocok untuk klasifikasi tabular yang memerlukan akurasi stabil tanpa banyak penyetelan.

Langkah pengerjaan

1. 1Bagi data latih dan uji secara berstrata
2. 2Latih RandomForestClassifier dengan ratusan pohon
3. 3Setel max_depth, max_features, dan class_weight bila kelas timpang
4. 4Evaluasi akurasi, F1, dan AUC pada data uji
5. 5Tampilkan confusion matrix
6. 6Hitung pentingnya fitur

Asumsi yang perlu diperiksa

• Data latih mewakili populasi sasaran
• Tidak ada kebocoran target pada fitur
• Pentingnya fitur bisa bias terhadap fitur berkardinalitas tinggi

Membaca dan melaporkan hasil

Laporkan metrik data uji, confusion matrix, dan fitur yang paling berpengaruh. Cantumkan skor OOB atau validasi silang agar klaim akurasi lebih meyakinkan.

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 RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, f1_score, roc_auc_score, confusion_matrix, ConfusionMatrixDisplay

rng = np.random.default_rng(31)
n = 500
job_satisfaction = rng.normal(0, 1, n)
tenure = rng.normal(0, 1, n)
x3 = rng.normal(0, 1, n)
turnover_status = ((job_satisfaction ** 2 + tenure + 0.3 * rng.normal(size=n)) > 0.8).astype(int)

X = np.column_stack([job_satisfaction, tenure, x3])
X_tr, X_te, y_tr, y_te = train_test_split(X, turnover_status, test_size=0.25, stratify=turnover_status, random_state=31)
rf = RandomForestClassifier(n_estimators=300, oob_score=True, random_state=31)
rf.fit(X_tr, y_tr)
pred = rf.predict(X_te)
prob = rf.predict_proba(X_te)[:, 1]
print("OOB accuracy:", round(rf.oob_score_, 3))
print("Test accuracy:", round(accuracy_score(y_te, pred), 3))
print("F1:", round(f1_score(y_te, pred), 3), "AUC:", round(roc_auc_score(y_te, prob), 3))
print("Importance:", rf.feature_importances_.round(3))

cm = confusion_matrix(y_te, pred)
ConfusionMatrixDisplay(cm).plot()
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