Perbandingan Algoritma Machine Learning untuk Prediksi Gaji Pekerjaan Berdasarkan Umur, Pengalaman dan Pendidikan
Abstract
Penentuan gaji karyawan yang adil dan kompetitif masih menjadi persoalan dalam manajemen sumber daya manusia. Penelitian ini membandingkan lima metode machine learning, yaitu Gradient Boosting, Regresi Linear, Polynomial Regression, K-Nearest Neighbors (KNN), dan Decision Tree, untuk memprediksi gaji berdasarkan umur, pengalaman kerja, dan tingkat pendidikan. Data yang digunakan berjumlah 375 data karyawan dan tersisa 324 data setelah pembersihan; mengikuti tahapan CRISP-DM, setiap model dievaluasi pada empat teknik normalisasi dan satu kondisi tanpa normalisasi. Gradient Boosting memberikan hasil terbaik dengan nilai R² sebesar 0,965 dan MAPE 7,23% pada kondisi tanpa normalisasi. Normalisasi Z-Score dan Min-Max mempertahankan performa tersebut, sedangkan normalisasi L1 justru menaikkan performa Decision Tree hingga R² sebesar 0,9616. Sebagai implementasi, dibangun aplikasi web berbasis Streamlit agar praktisi HR dapat mencoba prediksi gaji secara langsung. Hasil penelitian menunjukkan bahwa prediksi gaji berbasis data karyawan dapat dilakukan dengan baik dan berpotensi membantu perusahaan menyusun struktur gaji yang lebih transparan.
Downloads
References
Taryono, S. Efendi, and Hasanudin, “Strategi inovasi dalam manajemen sumber daya manusia untuk meningkatkan kinerja organisasi,” Co-Creation: Jurnal Ilmiah Ekonomi Manajemen Akuntansi dan Bisnis, vol. 3, no. 1, Jun. 2024.
Nurfitriani, U. Kulsum, Sunarto, and Heriyanto, “Tinjauan mendalam tentang pengelolaan sumber daya manusia: Tantangan, strategi dan inovasi di PT Tirta Mahakam Resource Tbk,” Jurnal Ilmiah M-Progress, vol. 14, no. 2, pp. 191–199, Jun. 2024.
Y. A. E. Tuah and A. Anyan, “Implementasi model regresi linear sederhana untuk prediksi gaji berdasarkan pengalaman lama bekerja,” JUTECH: Journal Education and Technology, STKIP Persada Khatulistiwa Sintang, 2020.
R. Rathore and S. P. S. Rathore, “Machine learning applications in human resource management: Predicting employee turnover and performance,” International Journal for Global Academic & Scientific Research, vol. 3, no. 2, pp. 48–59, Jul. 2024, doi: 10.55938/ijgasr.v3i2.77.
J. Cui and Y. Gu, “Application of machine learning in digital human resource management,” SHS Web of Conferences, vol. 170, Art. no. 01002, 2023, doi: 10.1051/shsconf/202317001002.
N. Afiatuddin, M. T. Wicaksono, V. R. Akbar, R. Rahmaddeni, and D. Wulandari, “Komparasi algoritma machine learning dalam klasifikasi kanker payudara,” Jurnal Media Informatika Budidarma, vol. 8, no. 2, p. 889, Apr. 2024, doi: 10.30865/mib.v8i2.7457.
R. Pramudita, S. Muis, N. Safitri, and F. Shafirawati, “Optimasi algoritma machine learning menggunakan teknik bagging pada klasifikasi diagnosis kanker payudara,” TEMATIK, vol. 11, no. 1, pp. 128–134, Jun. 2024, doi: 10.38204/tematik.v11i1.1928.
B. Ramadhan, D. Firdaus, and N. T. R. Adiningrum, “Analisis data pegawai untuk memprediksi gaji berdasarkan faktor-faktor spesifik dengan pendekatan machine learning,” Naratif: Jurnal Nasional Riset, Aplikasi dan Teknik Informatika, vol. 5, no. 2, pp. 131–139, Des. 2023, doi: 10.53580/naratif.v5i2.205.
M. P. Utomo, C. L. Sembiring, and D. Astriani, “Pengaruh tingkat pendidikan, pengetahuan akuntansi, umur usaha, pengalaman usaha terhadap penggunaan informasi akuntansi,” Jurnal Pendidikan Ekonomi (JURKAMI), vol. 8, no. 3, pp. 627–638, Des. 2023, doi: 10.31932/jpe.v8i3.2817.
Aroginanto, D. Edi Purnomo, M. Fithrayudi Triatmaja, and Yohani, “The influence of level of education, accounting understanding, business size, and business longer on the quality of financial reports of batik SMEs assisted by cooperative and manpower office, Pekalongan,” Jurnal Neraca, vol. 19, no. 2, 2023.
M. A. Riziq Shihab and M. Napiah, “Linear regression analysis to predict the percentage of smoking in the population age 15 years and over,” Informatics and Software Engineering, vol. 2, no. 2, pp. 76–88, Nov. 2024, doi: 10.58777/ise.v2i2.328.
I. P. J. Tafonao and A. F. K. Sibero, “Teknik klasifikasi prediksi kelulusan mahasiswa Sistem Informasi Universitas Sari Mutiara Indonesia menggunakan K-Nearest Neighbors,” Jurnal Mahajana Informasi, vol. 7, no. 1, 2022.
A. Nugroho, D. Rosmani, and I. N. Abdullah, “Analisa perbandingan algoritma K-Nearest Neighbors dan Support Vector Machine untuk prediksi kejang demam pada anak usia 6 bulan hingga 5 tahun,” Jurnal Pendidikan dan Teknologi Indonesia, vol. 4, no. 12, pp. 639–655, Des. 2024, doi: 10.52436/1.jpti.506.
R. G. Wardhana, G. Wang, and F. Sibuea, “Penerapan machine learning dalam prediksi tingkat kasus penyakit di Indonesia,” 2023.
B. Shafa, H. H. Handayani, S. A. P. Lestari, and Y. Cahyana, “Prediksi kanker paru dengan normalisasi menggunakan perbandingan algoritma Random Forest, Decision Tree dan Naïve Bayes,” Decode: Jurnal Pendidikan Teknologi Informasi, vol. 4, no. 3, pp. 1057–1070, Nov. 2024, doi: 10.51454/decode.v4i3.779.
R. S. Mardiah, A. Suhendra, F. Fitrianingsih, and D. K. Putri, “Advancing prediction of rice production in Sumatra: Utilizing eXtreme gradient boosting algorithm for accurate forecasts,” in Proc. 2024 Ninth International Conference on Informatics and Computing (ICIC), IEEE, Okt. 2024, pp. 1–6, doi: 10.1109/ICIC64337.2024.10957232.
J. Asbullah and S. Samsudin, “Prediksi harga cryptocurrency Binance berdasarkan informasi blockchain dengan menggunakan algoritma Random Forest,” Jurnal Media Informatika Budidarma, vol. 8, no. 1, p. 260, Jan. 2024, doi: 10.30865/mib.v8i1.7100.
A. Syahreza, N. K. Ningrum, and M. A. Syahrazy, “Perbandingan kinerja model prediksi cuaca: Random Forest, Support Vector Regression, dan XGBoost,” Edumatic: Jurnal Pendidikan Informatika, vol. 8, no. 2, pp. 526–534, Des. 2024, doi: 10.29408/edumatic.v8i2.27640.
B. Juli and E. Wisnu Murti, “Analisis dan perbandingan algoritma prediksi dalam mengetahui perkiraan peningkatan jumlah kasus COVID-19 di Kabupaten Boyolali dengan metodologi CRISP-DM,” JIKES: Jurnal Ilmu Kesehatan, vol. 3, no. 1, pp. 24–34, 2024.
N. Nurul Hakim, “Implementasi machine learning pada sistem prediksi kejadian dan lokasi patah rel kereta api di Indonesia,” 2020.S
M. F. Narendra, “Forecasting manpower planning using the CRISP-DM method and machine learning algorithm: A case study of Tiki Jalur Nugraha Ekakurir (JNE) company,” Journal of Information Systems Engineering and Management, vol. 10, no. 19s, pp. 371–378, Mar. 2025, doi: 10.52783/jisem.v10i19s.3040.
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
0895634518464 
