PENERAPAN LONG SHORT-TERM MEMORY UNTUK PREDIKSI TURNOVER KARYAWAN BERBASIS PEARSON CORRELATION COEFFICIENT DAN ANALISIS LINTAS DEPARTEMEN

Abstract

Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model prediksi perputaran karyawan dengan mengkombinassikan metode Long Short-Term Memory (LSTM) dan metode statistik Pearson Correlation Coefficient (PCC) untuk seleksi fitur serta analisis lintas unit organisasi. Tantangan utama dalam analisis sumber daya manusia terletak pada keterbatasan algoritma statis (bukan algoritma dinamis/algoritma adaptif) dalam memahami pola ketergantungan terhadap waktu yang berlangsung dalam jangka panjang. Dengan menggunakan data simulasi yang mereplikasikan karakteristik dataset yang mengacu pada IBM HR Analytics yang terdiri atas 1.470 karyawan dan 28 fitur, model LSTM yang diusulkan dapat mencapai tingkat akurasi 71,86%, presisi 69,47%, recall 55,00%, dan F1-score sebesar 61,40%. Hasil evaluasi berdasarkan unit organisasi diperoleh bahwa Departemen Sumber Daya Manusia memiliki kinerja tertinggi dengan akurasi 73,42%, disusul oleh Departemen Penjualan sebesar 71,10%, dan Departemen Riset dan Pengembangan (R&D) sebesar 69,74%. Hasil dari analisis PCC menunjukkan faktor lembur sebagai pemicu paling dominan dengan nilai korelasi 0,3366, diikuti oleh kepuasan kerja dengan korelasi -0,2038 dan keseimbangan kehidupan dan kerja sebesar -0,1407. Dalam penelitian ini, PCC tidak hanya dimanfaatkan untuk mengurangi jumlah dimensi data, juga untuk memetakan korelasi unik dari faktor-faktor penyebab turnover di setiap unit organisasi, sehingga mampu memberikan rekomendasi strategi retensi yang lebih spesifik dan terarah bagi pihak manajemen organisasi.