Klasifikasi keputusan karyawan keluar berdasarkan kepuasan kerja dan masa kerja dengan Regresi Logistik

Info proyek

• Bidang studiManajemen Sumber Daya Manusia
• JenjangSkripsi (S1)
• Jenis metodeKlasifikasi
• Perkiraan pengerjaan± 3 hari kerja
• Perangkatscikit-learn LogisticRegression, classification_report, roc_curve, confusion_matrix
• HargaRp 300.000 - Rp 1.900.000

Tujuan analisis

Menerapkan Regresi Logistik pada data sintetis untuk mengklasifikasikan keputusan karyawan keluar berdasarkan kepuasan kerja dan masa kerja dan menilai akurasinya.

Variabel

Contoh hasil

• 0.814Accuracy
• 0.783Precision
• 0.857Recall
• 0.818F1-score
• 0.89ROC AUC
• 3.508Odds ratio Job sati…

Model regresi logistik mengklasifikasikan Status keluar karyawan (rendah/tinggi) dari Kepuasan kerja dan Masa kerja dengan akurasi uji 0.814, F1 0.818 dan AUC 0.890.

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

Tentang Regresi Logistik

Regresi logistik memodelkan peluang suatu kelas biner dari beberapa prediktor melalui fungsi logit. Cocok untuk klasifikasi dua kelas yang hasilnya perlu ditafsirkan lewat odds ratio.

Langkah pengerjaan

1. 1Siapkan fitur dan label biner, bagi data latih dan uji
2. 2Standarisasi fitur numerik
3. 3Latih LogisticRegression
4. 4Hitung akurasi, presisi, recall, F1, dan AUC pada data uji
5. 5Tampilkan confusion matrix dan kurva ROC
6. 6Hitung odds ratio dari koefisien

Asumsi yang perlu diperiksa

• Label biner dan pengamatan saling bebas
• Hubungan linear antara prediktor dan log-odds
• Jumlah kejadian tiap kelas cukup dan tidak terlalu timpang

Membaca dan melaporkan hasil

Laporkan metrik klasifikasi pada data uji beserta AUC, lalu tafsirkan odds ratio tiap prediktor. Bila kelas timpang, jangan hanya mengandalkan akurasi.

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.linear_model import LogisticRegression
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import make_pipeline
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report, confusion_matrix, roc_curve, roc_auc_score

rng = np.random.default_rng(11)
n = 400
job_satisfaction = rng.normal(0, 1, n)
tenure = rng.normal(0, 1, n)
logit = 1.5 * job_satisfaction - 1.0 * tenure + 0.2
turnover_status = (rng.random(n) < 1 / (1 + np.exp(-logit))).astype(int)

X = np.column_stack([job_satisfaction, tenure])
X_tr, X_te, y_tr, y_te = train_test_split(X, turnover_status, test_size=0.25, stratify=turnover_status, random_state=11)
clf = make_pipeline(StandardScaler(), LogisticRegression())
clf.fit(X_tr, y_tr)
prob = clf.predict_proba(X_te)[:, 1]
pred = clf.predict(X_te)
print(classification_report(y_te, pred))
print("Confusion matrix:\n", confusion_matrix(y_te, pred))
print("AUC:", round(roc_auc_score(y_te, prob), 3))
print("Odds ratios (per SD):", np.exp(clf[-1].coef_).round(3))

fpr, tpr, _ = roc_curve(y_te, prob)
plt.plot(fpr, tpr, label="ROC")
plt.plot([0, 1], [0, 1], "k--")
plt.xlabel("False positive rate"); plt.ylabel("True positive rate"); 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