DINYAH FITHARA, - (2026) PENERAPAN SELEKSI FITUR INFORMATION GAIN DAN METODE BACKPROPAGATION NEURAL NETWORK UNTUK KLASIFIKASI ATRISI KARYAWAN. Bulletin of Computer Science Research, 6 (1). pp. 2774-3659. ISSN ISSN 2774-3659 (Media Online)

Preview	Text (ARTIKEL JURNAL) UPLOAD DINY.... watermark - DINYAH FITHARA Teknik Informatika.pdf - Published Version Download (1MB) | Preview
Preview	Text (PUBLIKASI MAHASISWA) publikasi - DINYAH FITHARA Teknik Informatika.pdf - Published Version Download (268kB) | Preview
Preview	Text (PUBLIKASI DOSEN) 5_6228940019407529252 - DINYAH FITHARA Teknik Informatika.pdf - Published Version Download (357kB) | Preview

Abstract

Pengelolaan atrisi karyawan menjadi tantangan penting bagi perusahaan karena melibatkan faktor biaya, waktu, dan risiko kesalahan dalam pengambilan keputusan. Permasalahan ini memerlukan strategi bisnis data untuk melakukan prediksi yang lebih akurat terhadap karyawan yang berpotensi mengalami pemberhentian. Penelitian ini menerapkan metode seleksi fitur Information Gain dan algoritma Backpropagation Neural Network (BPPN) dalam proses klasifikasi atrisi karyawan dengan tujuan meningkatkan akurasi dan efisiensi model prediksi. BPNN dipilih karena arsitekturnya yang lebih sederhana, waktu pelatihan yang lebih cepat dan lebih stabil untuk dataset berukuran kecil hingga menengah. Dengan bantuan seleksi fitur Information Gain, BPNN dapat mencapai performa terbaik tanpa memerlukan arsitektur yang kompleks Dataset yang digunakan terdiri dari 35 atribut dan 1.470 data karyawan yang mencakup berbagai faktor seperti usia, tingkat pendapatan, dan status pekerjaan. Tahapan penelitian meliputi seleksi fitur berdasarkan nilai Information Gain dengan ambang batas tertentu, pembagian data menggunakan k-fold cross validation, serta pelatihan model menggunakan BPNN dengan variasi parameter seperti learning rate dan jumlah neuron tersembunyi. Hasil menunjukan bahwa kombinasi Information Gain dan BPNN mampu meningkatkan akurasi klasifikasi dibandingkan tanpa seleksi fitur, dengan capaian akurasi rata-rata tertinggi sebesar 87.28% ketika menggunakan 25 atribut terpilih, dengan konfigurasi BPNN berupa learning rate 0.001, 35 neuron tersembunyi, dan 50 epoch. Fitur dengan nilai Information Gain tertinggi adalah JobLevel, OverTime, MaritalStatus, dan MonthlyIncome. Penelitian ini menunjukkan bahwa pendekatan yang dilakukan berhasil meningkatkan performa prediksi atrisi karyawan, sehingga dapat menjadi acuan dalam membangun model berbasis data yang membantu meningkatkan upaya retensi karyawan. Kata Kunci: Pengurangan Karyawan; Data Mining; Information Gain; Backpropagation Neural Network; Klasifikasi

Actions (login required)

View Item