Prediksi Active Resign Karyawan
menggunakan Correlation Funnel
ASWIN JANUARSJAF
12 Agustus 2022
Prediksi Active Resign Karyawan
Cara Cepat Analisis Active Resign Karyawan
Saya mendapatkan cara yang cepat untuk melakukan analisis Active Resign Karyawan dengan metode Machine Learning Exploratory Data Analysis (EDA) yaitu Correlation Funnel.
Penjelasan Awal
Pendekatan klasik EDA banyak digunakan pada analisa keluar masuk para pekerja pabrik. Namun para data scientist melakukan kajian yang ternyata bisa bermanfaat untuk memprediksi fitur-fitur mana yang secara signifikan mempengaruhi target (goal) yang ingin diprediksi dengan cara yang mudah dan cepat.
Bersihkan dulu memori pada komputer Anda
rm(list = ls())Library yang digunakan
library(correlationfunnel)## == Using correlationfunnel? ====================================================
## You might also be interested in applied data science training for business.
## </> Learn more at - www.business-science.io </>library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionBenefit Menggunakan EDA
- Identifying Key features - Anda mampu mengidentifikasi hanya pada fitur-fitur kunci.
- Improves Feature Selection - Menggunakan analisa korelasi untuk menentukan tingkat korelasi dan probabilitas dari masing-masing prediktor serta kecepatan proses algoritma pemodelan Machine Learning.
- Gets You To Business Insights Faster - Memahami bagaimana hubungan antar fitur saling mempengaruhi target yang ingin dianalisia, sehingga akan memudahkan Anda untuk mengembangkan “kisah” yang saling berkaitan dari setiap data-data tersebut untuk mendapatkan BUSINESS INSIGHT.
setwd("D:/2022/talentlytica/breakfast")
predict_to <- read.csv("databank_turnover.csv",header=TRUE,sep=";")colnames(predict_to)## [1] "Usia" "Jenis.Kelamin"
## [3] "Education" "Marriage.Status"
## [5] "Child" "Number.of.Previous.Job"
## [7] "Pinjaman" "Grade"
## [9] "Direktorat" "Year.of.Service"
## [11] "Salary.Positioning._Internal" "Promosi"
## [13] "Salary._Compared.to.Market" "Status.Karyawan"Target: (status.karyawan): Active & Resign
Terdapat 12 variabel/fitur yang ingin kita analisa menggunaka model EDA: Jenis kelamin, Education, Child, Salary.Positioning_Internal, Marriage.Status, Usia, Year.of.Service, Direktorat, Grade, Pinjaman, Salary_Compared.to.Market, Number.of.Previous.Job, Status.Karyawan
head(predict_to,5)## Usia Jenis.Kelamin Education Marriage.Status Child
## 1 53 Female D3 Married 3
## 2 50 Female D3 Widow/Widower 1
## 3 53 Female SMA dan setingkat Married 1
## 4 53 Female D3 Married 3
## 5 55 Male D3 Married 1
## Number.of.Previous.Job Pinjaman Grade Direktorat Year.of.Service
## 1 Tidak Teridentifikasi Tidak Grade 09 Direktorat 1 28
## 2 Tidak Teridentifikasi Tidak Grade 08 Direktorat 6 28
## 3 1 Tidak Grade 06 Direktorat 1 27
## 4 Tidak Teridentifikasi Tidak Grade 08 Direktorat 1 27
## 5 Tidak Teridentifikasi Tidak Grade 09 Direktorat 1 27
## Salary.Positioning._Internal Promosi Salary._Compared.to.Market
## 1 C 2 17.756
## 2 B NA 11.855
## 3 C NA 20.529
## 4 B NA 13.124
## 5 A 1 10.564
## Status.Karyawan
## 1 Resign
## 2 Resign
## 3 Resign
## 4 Resign
## 5 ResignTahap 1 - Siapkan Data sebagai Fitur Biner (Binary Features)
- Kita harus merubah set data menjadi data biner baik untuk Numerikal maupun Kategorikal.
- Kemudian seluruh Kategorikal data tersebut di encode untuk menghasilkan kategori frekuensi yang rendah hingga tinggi.
churn_tbl <- predict_to %>%
select(-Promosi) %>%
binarize(n_bins = 4, thresh_infreq = 0.01)
churn_tbl %>% glimpse()## Rows: 10,918
## Columns: 59
## $ `Usia__-Inf_29` <dbl> 0, 0, 0, 0, 0, 0, ~
## $ Usia__29_34 <dbl> 0, 0, 0, 0, 0, 0, ~
## $ Usia__34_42 <dbl> 0, 0, 0, 0, 0, 0, ~
## $ Usia__42_Inf <dbl> 1, 1, 1, 1, 1, 1, ~
## $ Jenis.Kelamin__Female <dbl> 1, 1, 1, 1, 0, 0, ~
## $ Jenis.Kelamin__Male <dbl> 0, 0, 0, 0, 1, 1, ~
## $ Education__D3 <dbl> 1, 1, 0, 1, 1, 0, ~
## $ Education__S1 <dbl> 0, 0, 0, 0, 0, 1, ~
## $ Education__S2 <dbl> 0, 0, 0, 0, 0, 0, ~
## $ Education__SMA_dan_setingkat <dbl> 0, 0, 1, 0, 0, 0, ~
## $ `Education__-OTHER` <dbl> 0, 0, 0, 0, 0, 0, ~
## $ Marriage.Status__Married <dbl> 1, 0, 1, 1, 1, 0, ~
## $ Marriage.Status__Single <dbl> 0, 0, 0, 0, 0, 1, ~
## $ `Marriage.Status__Widow/Widower` <dbl> 0, 1, 0, 0, 0, 0, ~
## $ `Child__-Inf_1` <dbl> 0, 1, 1, 0, 1, 1, ~
## $ Child__1_2 <dbl> 0, 0, 0, 0, 0, 0, ~
## $ Child__2_Inf <dbl> 1, 0, 0, 1, 0, 0, ~
## $ Number.of.Previous.Job__0 <dbl> 0, 0, 0, 0, 0, 0, ~
## $ Number.of.Previous.Job__1 <dbl> 0, 0, 1, 0, 0, 0, ~
## $ Number.of.Previous.Job__2 <dbl> 0, 0, 0, 0, 0, 0, ~
## $ Number.of.Previous.Job__3 <dbl> 0, 0, 0, 0, 0, 0, ~
## $ Number.of.Previous.Job__4 <dbl> 0, 0, 0, 0, 0, 0, ~
## $ Number.of.Previous.Job__5 <dbl> 0, 0, 0, 0, 0, 0, ~
## $ Number.of.Previous.Job__Tidak_Teridentifikasi <dbl> 1, 1, 0, 1, 1, 1, ~
## $ `Number.of.Previous.Job__-OTHER` <dbl> 0, 0, 0, 0, 0, 0, ~
## $ Pinjaman__Ada <dbl> 0, 0, 0, 0, 0, 0, ~
## $ Pinjaman__Tidak <dbl> 1, 1, 1, 1, 1, 1, ~
## $ Grade__Grade_04 <dbl> 0, 0, 0, 0, 0, 0, ~
## $ Grade__Grade_05 <dbl> 0, 0, 0, 0, 0, 0, ~
## $ Grade__Grade_06 <dbl> 0, 0, 1, 0, 0, 0, ~
## $ Grade__Grade_08 <dbl> 0, 1, 0, 1, 0, 0, ~
## $ Grade__Grade_09 <dbl> 1, 0, 0, 0, 1, 0, ~
## $ Grade__Grade_11 <dbl> 0, 0, 0, 0, 0, 0, ~
## $ Grade__Grade_13 <dbl> 0, 0, 0, 0, 0, 0, ~
## $ Grade__Grade_18 <dbl> 0, 0, 0, 0, 0, 0, ~
## $ Grade__Grade_19 <dbl> 0, 0, 0, 0, 0, 0, ~
## $ Grade__P4 <dbl> 0, 0, 0, 0, 0, 0, ~
## $ `Grade__-OTHER` <dbl> 0, 0, 0, 0, 0, 1, ~
## $ Direktorat__Direktorat_1 <dbl> 1, 0, 1, 1, 1, 0, ~
## $ Direktorat__Direktorat_2 <dbl> 0, 0, 0, 0, 0, 0, ~
## $ Direktorat__Direktorat_3 <dbl> 0, 0, 0, 0, 0, 0, ~
## $ Direktorat__Direktorat_4 <dbl> 0, 0, 0, 0, 0, 0, ~
## $ Direktorat__Direktorat_5 <dbl> 0, 0, 0, 0, 0, 0, ~
## $ Direktorat__Direktorat_6 <dbl> 0, 1, 0, 0, 0, 0, ~
## $ Direktorat__Direktorat_7 <dbl> 0, 0, 0, 0, 0, 1, ~
## $ Direktorat__Direktorat_8 <dbl> 0, 0, 0, 0, 0, 0, ~
## $ `Year.of.Service__-Inf_2` <dbl> 0, 0, 0, 0, 0, 0, ~
## $ Year.of.Service__2_5 <dbl> 0, 0, 0, 0, 0, 0, ~
## $ Year.of.Service__5_12 <dbl> 0, 0, 0, 0, 0, 0, ~
## $ Year.of.Service__12_Inf <dbl> 1, 1, 1, 1, 1, 1, ~
## $ Salary.Positioning._Internal__A <dbl> 0, 0, 0, 0, 1, 0, ~
## $ Salary.Positioning._Internal__B <dbl> 0, 1, 0, 1, 0, 1, ~
## $ Salary.Positioning._Internal__No_Salary_Positioning <dbl> 0, 0, 0, 0, 0, 0, ~
## $ `Salary.Positioning._Internal__-OTHER` <dbl> 1, 0, 1, 0, 0, 0, ~
## $ `Salary._Compared.to.Market__#VALUE!` <dbl> 0, 0, 0, 0, 0, 0, ~
## $ Salary._Compared.to.Market__0.9694 <dbl> 0, 0, 0, 0, 0, 0, ~
## $ `Salary._Compared.to.Market__-OTHER` <dbl> 1, 1, 1, 1, 1, 1, ~
## $ Status.Karyawan__Active <dbl> 0, 0, 0, 0, 0, 0, ~
## $ Status.Karyawan__Resign <dbl> 1, 1, 1, 1, 1, 1, ~Tahap 2 - Korelasikan terhadap target
Selanjutnya, kita korelasikan fitur-fitur biner tersebut terhadap target (Status.Karyawan).
customer_churn_corr_tbl <- churn_tbl %>%
correlate(Status.Karyawan__Resign)
customer_churn_corr_tbl## # A tibble: 59 x 3
## feature bin correlation
## <fct> <chr> <dbl>
## 1 Status.Karyawan Active -1
## 2 Status.Karyawan Resign 1
## 3 Number.of.Previous.Job Tidak_Teridentifikasi 0.487
## 4 Number.of.Previous.Job 0 -0.406
## 5 Salary._Compared.to.Market #VALUE! 0.314
## 6 Salary._Compared.to.Market -OTHER -0.270
## 7 Pinjaman Tidak 0.230
## 8 Pinjaman Ada -0.230
## 9 Grade Grade_05 0.228
## 10 Direktorat Direktorat_7 0.222
## # ... with 49 more rows
## # i Use `print(n = ...)` to see more rowsTahap - Plot the Correlation Funnel
Akhirnya, kita visualisasikan hasil korelasinya.
customer_churn_corr_tbl %>%
plot_correlation_funnel()## Warning: ggrepel: 23 unlabeled data points (too many overlaps). Consider
## increasing max.overlaps
INSIGHTS
Dari grafik diatas kita mendapatkan insights sebagai berikut:
- Karyawan yang Aktif (Stay), berdasarkan fitur Number.of.Previous.Job = 0 memiliki korelasi 40,6%
- Karyawan yang memiliki Pinjaman relatif akan stay dibandingkan dengan karyawan yang memiliki Pinjaman
- Rata-rata Karyawan yang Resign kebanyakan ada pada Grade 5
- Rata-rata Karyawan yang Resign kebanyakan ada pada Direktorat 7
dan seterusnya…
Semoga bermanfaat.