Analisis Komparatif Algoritma Tuned Random Forest dan Hist Gradient Boosting untuk Prediksi Niat Pindah Kerja Berdasarkan Indikator Beban Mental Karyawan

Beban kerja mental yang tidak terkelola dengan baik di era transformasi digital berkontribusi signifikan terhadap fenomena perputaran karyawan (employee turnover) yang merugikan stabilitas dan keseimbangan sebuah organisasi. Penelitian ini bertujuan untuk melakukan analisis komparatif performa model prediktif niat pindah kerja karyawan menggunakan dua algoritma ensemble learning: Random Forest (RF) dan Hist Gradient Boosting (Hist GB). Dataset empiris beban mental karyawan diolah melalui serangkaian tahapan data mining, yang meliputi feature engineering berupa rasio jam kerja terhadap tidur (work-hours-to-sleep ratio) dan beban mental komposit (total mental load). Tantangan ketidakseimbangan kelas (imbalanced data) yang berat di mana proporsi kelas target berada pada rasio 78% (bertahan) berbanding 22% (niat pindah) diatasi menggunakan Synthetic Minority Over-sampling Technique (SMOTE). Model dioptimalkan lewat penyetelan hiperparameter (hyperparameter tuning) serta divalidasi dengan 5-Fold Stratified Cross-Validation. Hasil eksperimen berbasis data riil program menunjukkan bahwa skenario Base menghasilkan akurasi semu (~69%) dengan F1-Score yang sangat rendah (~27%). Intervensi SMOTE berhasil menyelamatkan model dari bias kelas mayoritas, di mana Random Forest teroptimasi SMOTE unggul dalam stabilitas generalisasi dengan nilai CV Akurasi (Mean) sebesar 74.47%. Di sisi lain, Hist Gradient Boosting (Optimized) menghasilkan performa deteksi kelas minoritas terbaik dengan capaian F1-Score Test tertinggi sebesar 52.60% dan mempertahankan AUC Score di angka 0.68. Analisis Feature Rank mengidentifikasi skor kelelahan kerja (burnout score), tekanan batas waktu (deadline pressure score), dan tingkat tekanan stres (stress score) sebagai tiga indikator paling krusial dalam memicu niat pindah kerja.