Optimasi Klusterisasi pada Lama Tempo Pekerjaan Berbasis Gradient Boost Algorithm

Abstract

Penelitian ini mengeksplorasi analisis lama tempo pekerjaan dengan pendekatan algoritma metaheuristik, khususnya Gradient Boosting Algorithm (GBA). Penelitian ini fokus pada optimasi klusterisasi lama tempo pekerjaan melalui algoritma Gradient Boosting. Algoritma ini dikenal karena kemampuannya meningkatkan model secara bertahap dan mendeteksi pola kompleks dalam data. Data terkait lama tempo pekerjaan dikumpulkan dan diproses dengan Label Encoder untuk mempersiapkannya untuk analisis. Model GBA diterapkan dan menghasilkan tingkat akurasi sebesar 96%, dengan evaluasi kinerja yang mendalam menggunakan presisi, recall, f1-score, dan confusion matrix. Model cenderung sangat baik mengklasifikasikan kelas Full time dan Part time, sementara menunjukkan tantangan pada kelas Contract/Temp. Hasil evaluasi memberikan wawasan yang mendalam tentang kekuatan dan kelemahan model, membimbing penyesuaian untuk meningkatkan kinerja. Penelitian ini memberikan kontribusi pada pemahaman lama tempo pekerjaan dan penggunaan algoritma machine learning dalam konteks manajemen sumber daya manusia. Implikasi praktisnya dapat membantu organisasi membuat keputusan yang lebih tepat terkait sumber daya manusia dan perencanaan tenaga kerja.