KLASIFIKASI KARYAWAN BERDASARKAN KESEHATAN MENTAL DAN DAMPAKNYA TERHADAP TURNOVER MENGGUNAKAN EXPLORATORY DATA ANALYSIS DAN MACHINE LEARNING

Abstract

Turnover karyawan merupakan tantangan utama dalam manajemen sumber daya manusia karena berdampak langsung pada stabilitas organisasi, biaya rekrutmen, serta keberlanjutan produktivitas tenaga kerja. Penelitian ini bertujuan untuk menganalisis hubungan antara faktor kesehatan mental dan kecenderungan turnover serta mengembangkan model klasifikasi berbasis machine learning untuk memprediksi risiko berhenti kerja secara lebih akurat. Dataset yang digunakan berasal dari survei terhadap 1.251 responden yang terdiri dari pekerja dan wirausaha di Kabupaten Purwakarta, yang merepresentasikan kondisi psikososial tenaga kerja pada sektor jasa dan teknologi. Analisis diawali dengan Exploratory Data Analysis (EDA) untuk memahami distribusi dan hubungan antarvariabel. Ketidakseimbangan kelas pada variabel target diatasi menggunakan Synthetic Minority Over-sampling Technique (SMOTE) guna meningkatkan kualitas pembelajaran model. Empat algoritma machine learning diuji, yaitu Logistic Regression, Decision Tree, Random Forest, dan Support Vector Classifier (SVC). Hasil evaluasi menunjukkan bahwa Random Forest memberikan performa terbaik dengan akurasi 0.7102, precision 0.725, recall 0.7117, dan F1-score 0.7183. Temuan ini menunjukkan bahwa tekanan pekerjaan, kelelahan, dan kualitas hubungan interpersonal merupakan prediktor utama terbentuknya turnover intention. Penelitian ini berkontribusi pada pengembangan analitik sumber daya manusia berbasis data dengan memanfaatkan pendekatan machine learning untuk mengidentifikasi risiko turnover secara lebih dini, serta memberikan dasar bagi organisasi dalam merancang strategi retensi karyawan berbasis kesejahteraan mental.