PENERAPAN MODEL ENSEMBLE STACKING UNTUK PREDIKSI TURNOVER KARYAWAN DENGAN KOMBINASI RANDOM FOREST DAN XGBOOST

Turnover karyawan merupakan tantangan strategis yang dapat berdampak pada stabilitas, produktivitas, serta keberlanjutan operasional perusahaan. Kemampuan untuk memprediksi potensi keluarnya karyawan secara akurat menjadi penting agar organisasi dapat merumuskan strategi retensi yang lebih efektif. Namun, karakteristik data turnover yang kompleks dan tidak seimbang membuat proses prediksi menjadi lebih menantang. Penelitian ini bertujuan untuk membandingkan performa algoritma Machine Learning Random Forest dan XGBoost, serta mengevaluasi efektivitas pendekatan Stacking Ensemble yang mengombinasikan kedua algoritma tersebut dan dioptimalkan menggunakan Bayesian Optimization sebagai upaya peningkatan performa prediksi. Untuk menangani ketidakseimbangan kelas digunakan teknik SMOTE, sementara Multi Layer Perceptron (MLP) digunakan sebagai meta-learner pada model stacking. Berdasarkan hasil evaluasi, model Stacking dengan meta-learner MLP yang dioptimalkan menggunakan Bayesian Optimization menghasilkan performa terbaik, mengungguli model individual Random Forest maupun XGBoost. Model ini memperoleh performa tertinggi dengan Accuracy 0.9405, Precission 0.9408, Recall 0.9406, F1-Score 0.9409 dan AUC 0.9789, menunjukkan kemampuan yang sangat baik dalam mengidentifikasi karyawan berisiko tinggi pada kondisi data yang tidak seimbang. Penelitian ini diharapkan dapat menjadi rujukan bagi pengembangan strategi prediksi turnover berbasis machine learning, sekaligus memberikan wawasan bagi praktisi SDM dalam mendukung pengambilan keputusan terkait manajemen retensi karyawan. Kata Kunci: Turnover Karyawan, Random Forest, XGBoost, Stacking Ensemble, MLP, SMOTE, Bayesian Optimization, Machine Learning.