Prediksi Kinerja Karyawan untuk Manajemen Produktivitas di Industri Makanan Menggunakan Extreme Gradient Boosting

Evaluasi kinerja karyawan merupakan elemen penting dalam meningkatkan produktivitas di industri makanan. Penelitian ini menggunakan model prediksi yang dikembangkan dengan Extreme Gradient Boosting (XGBoost) untuk memprediksi kinerja karyawan berdasarkan data produktivitas tahunan. Dataset mencakup informasi dari 10 karyawan, termasuk variabel seperti total jam kerja, pencapaian transaksi, waktu kedatangan, skor evaluasi diri, dan penilaian pelanggan. XGBoost dipilih karena kemampuannya menangkap pola data kompleks, komputasi cepat, serta kemampuan tinggi dalam menangani berbagai jenis data untuk prediksi yang akurat. Analisis menunjukkan kinerja model yang kuat, dengan nilai R² antara 0,73 hingga 0,99, MAE antara 0,123 hingga 0,888, dan RMSE antara 0,154 hingga 1,057. Meski terdapat sedikit penyimpangan pada beberapa karyawan, khususnya A-10 dan A-9 dengan nilai RMSE masing-masing 0,863 dan 1,016, model ini secara konsisten mereplikasi pola kinerja. Temuan ini mengonfirmasi bahwa XGBoost merupakan alat canggih dan andal untuk memprediksi, memantau, serta menganalisis produktivitas karyawan, memberikan wawasan penting bagi manajemen dalam pengambilan keputusan untuk meningkatkan kinerja dalam konteks industri makanan.