Analisis data sumber daya manusia ini berfokus pada evaluasi tingkat kepuasan, kinerja, dan pola retensi karyawan di lingkungan perusahaan. Pemetaan dilakukan berdasarkan berbagai indikator kerja dan informasi personalia untuk membantu pihak manajemen memahami faktor utama yang memengaruhi dinamika kerja serta keputusan karyawan untuk bertahan atau keluar dari organisasi.
Dataset sumber daya manusia ini memuat informasi kunci mengenai profil dan riwayat kerja karyawan di perusahaan. Data terstruktur ini mencakup parameter penting seperti tingkat kepuasan kerja, evaluasi kinerja, rata-rata jam kerja bulanan, masa kerja, serta status retensi karyawan. Informasi pendukung seperti divisi kerja dan tingkat kelompok gaji juga disertakan untuk memberikan gambaran menyeluruh mengenai kondisi tenaga kerja.
Jaya Jaya Maju merupakan salah satu perusahaan multinasional yang telah berdiri sejak tahun 2000 dengan lebih dari 1.000 karyawan. Meskipun telah menjadi perusahaan yang cukup besar, Jaya Jaya Maju menghadapi tantangan serius pada aspek operasional Human Resources (HR), khususnya terkait tingginya angka attrition rate (rasio pergantian karyawan) yang melampaui 10%. Tingginya attrition ini memicu biaya rekrutmen ulang yang membengkak, penurunan efisiensi kerja tim, serta potensi hilangnya bakat-bakat potensial perusahaan.
- Seberapa besar pengaruh tingkat lembur dan frekuensi perjalanan bisnis terhadap tingkat attrition karyawan?
- Seberapa signifikan faktor pendapatan bulanan dan struktur kompensasi finansial dalam memicu keputusan pengunduran diri karyawan?
- Departemen dan peran pekerjaan mana yang memiliki tingkat attrition paling tinggi dan tergolong kritis?
- Bagaimana faktor demografi (seperti usia) dan akumulasi pengalaman kerja memengaruhi kecenderungan karyawan untuk melakukan attrition?
- Bagaimana membangun model machine learning dengan sensitivitas (Recall) dan daya pemisah (ROC-AUC) yang tinggi untuk mendeteksi karyawan berisiko attrition secara dini?
Business Dashboard interaktif ini dirancang menggunakan Data Studio untuk membantu manajemen dan tim Human Resources (HR) Jaya Jaya Maju memantau serta menganalisis berbagai pemicu pengunduran diri karyawan (attrition) secara komprehensif.
Dashboard ini mengintegrasikan seluruh modul analisis data ke dalam tampilan visual yang intuitif, dilengkapi metrik real-time serta filter interaktif:
- Metrik Utama (Scorecard KPI)
Di bagian atas dashboard, ditampilkan 4 indikator kinerja utama:
- Total Employees: 1,470 Karyawan
- Total Attrition: 179 Karyawan
- Attrition Rate: 12,18%
- Avg Monthly Income: $6.502,93
- Komponen Visualisasi & Pemetaan Data
- Gambaran Umum & Demografi Karyawan:
- Menampilkan bahwa Research & Development (107 orang / 59,8%) dan Sales (66 orang / 36,9%) merupakan penyumbang terbesar attrition yang secara akumulatif mencakup 96,7% dari total pengunduran diri.
- Mengidentifikasi bahwa puncak attrition didominasi oleh kelompok usia produktif muda (20–34 tahun), dengan titik tertinggi pada usia 31 tahun (14 orang) dan 29 tahun (12 orang).
- Faktor Beban Kerja & Stres Kerja:
- Memvisualisasikan bahwa 54,7% karyawan yang mengundurkan diri (98 orang) berada dalam kelompok yang mengambil lembur.
- Menunjukkan bahwa karyawan yang melakukan perjalanan dinas (Rarely & Frequently) menyumbang 93,9% (168 orang) dari total kasus pengunduran diri.
- Peran Pekerjaan & Struktur Kompensasi:
- Memaparkan 3 posisi dengan angka pengunduran diri tertinggi, yaitu Laboratory Technician (49 orang), Sales Executive (39 orang), dan Research Scientist (38 orang) yang secara akumulatif menyumbang 70,4% dari total attrition.
- Mengungkapkan bahwa 76,0% attrition (136 orang) menumpuk pada karyawan dengan tingkat kompensasi di bawah $6.000/bulan (kategori Low < $3.000 sebanyak 82 orang dan Mid $3.000–$6.000 sebanyak 54 orang).
- Rangkuman Eksekutif & Rekomendasi Strategis:
- Menyajikan rangkuman Key Conclusions serta Strategic Recommended Actions berbasis data untuk memudahkan eksekutif dalam mengambil keputusan retensi secara cepat.
- Gambaran Umum & Demografi Karyawan:
- Fitur Interaktif & Tautan Akses
- Filter Interaktif: Dashboard dilengkapi kontrol penyaringan dinamis berdasarkan Department, Gender, dan Marital Status untuk memudahkan eksplorasi data secara lebih spesifik.
- Link Dashboard: Executive HR Dashboard: Attrition Analysis
Secara keseluruhan, tingkat attrition karyawan berlabel di perusahaan mencapai 16,9% (179 dari 1.058 karyawan), yang melampaui ambang batas toleransi ideal sebesar 10%. Berdasarkan analisis data dan pemodelan yang dilakukan, berikut adalah kesimpulan utama proyek ini:
- Lembur dan perjalanan dinas terbukti menjadi pendorong utama attrition. Karyawan yang mengambil lembur memiliki attrition rate mencapai 32,0% (jauh melampaui yang tidak lembur sebesar 10,8%). Sementara itu, kelompok karyawan yang sering bepergian dinas mencatatkan attrition rate tertinggi sebesar 24,7%.
- Pendapatan bulanan dan struktur kompensasi memegang peranan krusial. Karyawan yang mengundurkan diri memiliki median pendapatan jauh lebih rendah ($3.388) dibandingkan karyawan yang bertahan ($5.210). Analisis feature importance juga menempatkan Monthly Income dan Stock Option Level sebagai faktor finansial utama penentu retensi.
- Departemen Sales menjadi area kerja paling kritis dengan tingkat attrition 20,6%. Secara spesifik, peran Sales Representative mencatatkan attrition rate tertinggi hingga 43,6%, disusul oleh Laboratory Technician (26,0%) dan Human Resources (20,7%).
- Karyawan berusia lebih muda (31 tahun) dan akumulasi pengalaman kerja yang lebih singkat memiliki kecenderungan berpindah kerja yang jauh lebih tinggi dibandingkan karyawan berusia lebih matang (36 tahun).
- Algoritma Support Vector Machine (SVM) terpilih sebagai early warning engine terbaik dengan nilai Recall 75,0% dan ROC-AUC 0,8635. Hasil inferensi pada 412 karyawan unlabeled berhasil mengidentifikasi 90 karyawan (21,8%) yang berisiko tinggi mengundurkan diri untuk dapat segera diberikan intervensi program retensi secara proaktif.
- Melakukan evaluasi dan pembatasan alokasi jam lembur pada departemen dengan tingkat attrition tinggi. Selain itu, terapkan kebijakan cuti pemulihan atau hybrid working bagi kelompok karyawan yang sering bepergian dinas guna mencegah timbulnya burnout.
- Melakukan salary benchmarking terhadap standar pasar industri, terutama untuk kelompok karyawan dengan batas median pendapatan di bawah $3.500. Tingkatkan juga alokasi Stock Option Level dan insentif berbasis kinerja sebagai pilar retensi finansial jangka panjang.
- Memberikan perhatian khusus pada peran Sales Representative (attrition 43,6%) dengan merestrukturisasi skema komisi dan target penjualan agar lebih realistis. Untuk Laboratory Technician (26,0%), tingkatkan fasilitas lingkungan kerja dan jalur apresiasi performa.
- Menyusun jalur karir yang transparan dan program mentorship khusus bagi karyawan kelompok usia muda (< 35 tahun) serta karyawan dengan masa kerja awal. Langkah ini bertujuan meningkatkan engagement dan loyalitas di tahun-tahun awal karir mereka.
- Mengintegrasikan model Support Vector Machine (SVM) ke dalam alur kerja bulanan HR menggunakan skrip inferensi
predict.py. Berikan prioritas intervensi proaktif (seperti stay interview, penawaran program pengembangan, atau penyesuaian fasilitas) kepada 90 karyawan unlabeled yang telah teridentifikasi dalam kategori High Risk berdasarkan Attrition Risk Score.
| Kategori | Teknologi yang Digunakan |
|---|---|
| 🌐 Programming Language | Python |
| 🌱 Environment | Jupyter Notebook |
| ⚛️ Libraries | NumPy, pandas, Matplotlib, seaborn, scikit-learn, Joblib |
| ⚡ Tools | Google Colab, Data Studio |
-
Prasyarat
- Python 3.11 atau lebih baru.
- Git terinstal di komputer.
-
Clone Repositori
git clone https://github.com/Fikri-Rouzan/hr-analysis.git
cd hr-analysis- Buat Virtual Environment
# Windows
python -m venv venv
venv\Scripts\activate
# macOS/Linux
python3 -m venv venv
source venv/bin/activate- Install Dependensi
pip install -r requirements.txt- Menjalankan Program
python predict.py