Prediksi kinerja karyawan berdasarkan motivasi kerja dan lama pelatihan Menggunakan Regresi Ridge dan Lasso

Info proyek

• Bidang studiManajemen Sumber Daya Manusia
• JenjangTesis (S2)
• Jenis metodeRegresi
• Perkiraan pengerjaan± 5 hari kerja
• Perangkatscikit-learn RidgeCV, LassoCV, StandardScaler, make_pipeline
• HargaRp 400.000 - Rp 2.350.000

Tujuan analisis

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

Variabel

Contoh hasil

• 0.891R2 Lasso (test)
• 0.888R2 Ridge (test)
• 0.311RMSE Lasso (std.)
• 0.041Best alpha
• 3Non-zero coefs
• 0.139CV MSE min

Lasso memilih 3 dari 6 prediktor untuk Kinerja karyawan dengan alpha 0.041 (R2 uji 0.891), sedangkan Ridge menghasilkan R2 0.888.

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

Tentang Regresi Ridge dan Lasso

Ridge dan Lasso adalah regresi linear dengan penalti L2 dan L1 untuk mengendalikan overfitting dan kolinearitas. Dipakai saat prediktor banyak atau saling berkorelasi, dan Lasso sekaligus menyeleksi variabel.

Langkah pengerjaan

1. 1Standarisasi semua prediktor
2. 2Bagi data latih dan uji
3. 3Pilih kekuatan penalti alpha dengan validasi silang (RidgeCV, LassoCV)
4. 4Latih model Ridge dan Lasso pada alpha terpilih
5. 5Bandingkan RMSE dan R2 dengan regresi biasa
6. 6Tampilkan koefisien dan variabel yang dikeluarkan Lasso

Asumsi yang perlu diperiksa

• Prediktor harus distandarisasi sebelum penalti diterapkan
• Hubungan dengan variabel terikat kurang lebih linear
• Alpha dipilih dari data latih saja agar tidak bocor ke data uji

Membaca dan melaporkan hasil

Laporkan alpha terpilih, metrik data uji, dan koefisien yang menyusut atau menjadi nol. Jelaskan bahwa koefisien bias demi varians yang lebih kecil sehingga tidak ditafsirkan sama seperti OLS.

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 RidgeCV, LassoCV, LinearRegression
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import make_pipeline
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

rng = np.random.default_rng(1)
n, p = 150, 10
X = rng.normal(size=(n, p))
X[:, 1] = X[:, 0] + rng.normal(0, 0.1, n)   # collinear pair
work_motivation = X[:, 0]
training_duration = X[:, 1]
employee_performance = 3 * work_motivation + 2 * X[:, 2] + rng.normal(0, 1, n)

X_tr, X_te, y_tr, y_te = train_test_split(X, employee_performance, test_size=0.25, random_state=1)
models = {
    "OLS": make_pipeline(StandardScaler(), LinearRegression()),
    "Ridge": make_pipeline(StandardScaler(), RidgeCV(alphas=np.logspace(-3, 3, 30))),
    "Lasso": make_pipeline(StandardScaler(), LassoCV(cv=5, random_state=1)),
}
coefs = {}
for name, m in models.items():
    m.fit(X_tr, y_tr)
    rmse = mean_squared_error(y_te, m.predict(X_te)) ** 0.5
    coefs[name] = m[-1].coef_
    print(name, "RMSE:", round(rmse, 3))
print("Ridge alpha:", models["Ridge"][-1].alpha_)
print("Lasso alpha:", round(models["Lasso"][-1].alpha_, 4))
print("Lasso zero coefs:", int((coefs["Lasso"] == 0).sum()))

idx = np.arange(p)
for k, (name, c) in enumerate(coefs.items()):
    plt.bar(idx + 0.27 * k, c, width=0.27, label=name)
plt.xlabel("Feature"); plt.ylabel("Coefficient"); 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