| Kehadiran jaringan internet yang semakin cepat dan dunia digital yang semakin berkembang secara pesat di berbagai bidang memberi pengaruh yang sangat besar pada setiap aspek kehidupan manusia, tidak terbatas hanya pada orang yang berkaitan khususnya pekerjaan dalam bidang teknologi informasi tetapi juga di luar bidang teknologi informasi. Perkembangan ekosistem digital yang begitu masif dan masuknya masa industri 4.0, maka semakin banyak juga data yang tersedia di internet. Banyaknya jumlah data yang tersedia kemudian memunculkan berbagai permasalahan dalam hal bagaimana cara mengolah dan menganalisis data supaya data ini dapat bermanfaat dalam kehidupan manusia baik dalam lingkup individu atau perusahaan dan dalam bidang baik pendidikan, kesehatan dan lain sebagainya. Adanya konsep teknologi Machine Learning, maka permasalahan dalam mengolah dan menganalisa data dalam jumlah yang besar dapat diselesaikan dengan lebih cepat apabila dibandingkan dengan dilakukan secara manual oleh manusia. Semakin banyaknya data yang diproses maka performansi Machine Learning dalam melakukan analisis akan semakin meningkat, dalam proses analisis ini algoritma yang ditentukan juga berpengaruh terhadap performansi Machine Learning. Penulis akan menggunakan servis Google dalam penelitian ini, yaitu Google Colaboratory. Kemudian juga Penulis akan membandingkan penggunaan dari tiga algoritma yaitu Logistic Regression, XG Boost, dan Support Vector Machine, serta untuk mengetahui fitur yang memiliki korelasi tinggi akan menggunakan metode Pearson. Berdasarkan hasil penelitian prediksi turnover karyawan menggunakan Machine Learning dengan membandingkan ketiga algoritma Logistic Regression, XG Boost dan Support Vector Machine dapat disimpulkan akurasi yang didapat dari masing-masing akurasi yaitu XG Boost diperoleh 86%, Support Vector Machine 84 % dan Logistic Regression 78%. Selain itu, 5 fitur yang mempengaruhi penelitian ini antara lain JobRole_Research Director, OverTime, JobLevel, JobRole_Human Resources dan Department_Human Resources. |