Memuat
Memuat
Kenali karyawan yang berisiko keluar dan faktor yang paling mendorongnya.
0 kali dilihat
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.

Read CSV memuat data_karyawan.csv (3.000 karyawan, 12 atribut). id_karyawan menjadi id dan keluar menjadi label binominal (ya/tidak).
Remap Binominals menjadikan "ya" (karyawan keluar) sebagai kelas positif agar precision dan recall menilai kemampuan menemukan yang berisiko keluar.
Multiply menyalurkan data ke dua jalur: pembobotan atribut dan validasi silang.
Weight by Information Gain menilai seberapa kuat tiap atribut membedakan karyawan yang keluar. Weights to Data dan Write CSV menyimpan daftar bobotnya.
Cross Validation 10 lipatan (stratified). Bagian Training berisi Random Forest dengan 100 pohon, kriteria gain ratio, kedalaman maksimum 10.
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%.
Performance (Binominal Classification) menghitung akurasi, precision, recall, F-measure, kappa, dan AUC. Hasil dan prediksi per karyawan disimpan dengan Write CSV.
Urutkan prediksi menurut confidence(ya) dari tertinggi. Daftar teratas adalah karyawan yang layak diajak berbincang lebih dulu oleh atasan dan bagian SDM.
data_karyawan.csv
3.000 baris · 14 kolom
Data 3.000 karyawan fiktif: departemen, level jabatan, masa kerja, gaji, kenaikan gaji, lembur, skor kepuasan, keseimbangan kerja, hubungan dengan atasan, jarak rumah, pelatihan, lama sejak promosi, dan status keluar.
Proses RapidMiner (.rmp) siap jalan; Dataset CSV beserta kamus data; Panduan praktik dan pertanyaan latihan (PDF/MD); Video tutorial langkah demi langkah.
Tidak harus. Proyek ini bertingkat "lanjut", dan setiap langkah prosesnya dijelaskan sehingga Anda bisa mengikuti bagaimana data menjadi hasil.
Bisa. Ganti dataset di langkah pertama dan sesuaikan peran atributnya; sisa prosesnya tetap sama. Bila ingin kami yang menyesuaikan, hubungi kami lewat WhatsApp.
Proyek ini seharga Rp 449.000. Gunakan tombol "Beli via WhatsApp" di halaman ini; berkas proyek dikirim setelah pembayaran dikonfirmasi.
Menemukan kendala atau punya saran untuk proyek ini? Beri tahu kami lewat WhatsApp
Kembali ke portofolio RapidMiner