Memprediksi Attrition Karyawan dengan AI: Sinyal, Model, dan Etika

Oleh Kevin Kim · Diperbarui 11 Oktober 2026

Prediksi tingkat pengunduran diri karyawan (attrition) adalah penggunaan pembelajaran mesin untuk memperkirakan, dari data SDM dan data kerja, seberapa besar kemungkinan setiap karyawan atau tim untuk keluar dalam periode tertentu, sehingga manajer dapat menangani penyebabnya sebelum surat pengunduran diri tiba. Keluarannya biasanya berupa probabilitas atau pita risiko. Ia adalah prakiraan, bukan vonis, dan cara Anda menggunakannya lebih penting daripada model mana yang menghasilkannya.

Panduan ini ditujukan bagi pemimpin SDM, pemilik people analytics, dan manajer yang ditawari dasbor "risiko pengunduran diri (flight risk)", atau yang sedang berpikir untuk membangunnya. Panduan ini membahas cara kerja modelnya, sinyal yang diandalkan, mengapa akurasinya lebih terbatas daripada yang disiratkan angka utama, dan batas etika yang layak ditarik sebelum ada orang yang melihat skor. Artikel ini berada di dalam bagian AI di bidang SDM dan melanjutkan people analytics dan AI.

Fakta Utama

• Pemberi kerja di AS mencatat 3,1 juta pengunduran diri pada Agustus 2026, dengan tingkat pengunduran diri 1,9 persen untuk bulan itu (BLS JOLTS). Keluar pada satu bulan tertentu adalah peristiwa yang jarang, dan itulah sebabnya prediksi sulit dilakukan.
• Tinjauan sistematis tahun 2024 di Expert Systems with Applications mencakup 52 studi yang terbit dari 2012 hingga April 2023, menemukan lebih dari 20 teknik pembelajaran mesin yang digunakan, dan melaporkan gaji serta lembur sebagai faktor prediktif yang paling penting (Expert Systems with Applications, via UAEU).
• Studi University of Campinas tahun 2019 melatih sebuah pengklasifikasi pada catatan 8.724 karyawan di sebuah perusahaan minuman Brasil yang nyata dan melaporkan akurasi keseluruhan 79% pada data uji (UNICAMP).
• Berdasarkan GDPR Article 22, setiap orang berhak untuk tidak tunduk pada keputusan yang semata-mata didasarkan pada pemrosesan otomatis, termasuk profiling, yang memengaruhi mereka secara signifikan, dan pengendali data wajib menyediakan setidaknya intervensi manusia dan cara untuk menggugatnya (EUR-Lex).
• Komisi Eropa mencantumkan alat AI untuk ketenagakerjaan dan manajemen pekerja sebagai berisiko tinggi, dengan aturan itu berlaku mulai 2 Desember 2027, dan mencantumkan pengenalan emosi di tempat kerja sebagai praktik terlarang (European Commission).

Cara Kerja Model Attrition

Dalam istilah ACE Framework, model attrition menyerap (ingest) data SDM terstruktur, menganalisis riwayat siapa yang bertahan dan siapa yang keluar, lalu memprediksi probabilitas bagi orang yang belum keluar. Ini adalah pola penilaian (scoring) yang diarahkan ke tenaga kerja Anda sendiri, sering kali dengan lapisan anomali yang menandai perubahan mendadak dalam sebuah tim.

Mekanismenya mudah dijelaskan:

1. Pilih jendela waktu. "Apakah orang ini akan keluar dalam 6 bulan ke depan?" adalah pertanyaan yang lebih jelas daripada "Apakah mereka akan keluar?"
2. Bangun riwayat. Untuk setiap potret data masa lalu, catat apa yang Anda ketahui tentang orang itu saat itu dan apakah ia keluar pada jendela waktu berikutnya.
3. Latih. Model mempelajari pola mana dalam potret data itu yang cenderung mendahului kepergian. Teknik yang umum adalah regresi logistik, pohon keputusan, random forest, dan gradient-boosted trees. Riset yang lebih baru memakai deep learning pada riwayat karier, seperti makalah arXiv Januari 2025 yang memprediksi turnover di banyak perusahaan menggunakan dataset dunia nyata (arXiv).
4. Beri skor pada tenaga kerja saat ini. Setiap orang yang masih bekerja mendapat probabilitas.
5. Jelaskan. Sistem yang berguna juga menyebutkan faktor mana yang mendorong skor naik, sehingga manusia dapat memutuskan apakah alasannya nyata dan dapat diperbaiki. Inilah gagasan di balik AI yang dapat dijelaskan.

Dua poin pembingkaian dapat menghindarkan banyak kebingungan. Pertama, ini adalah analitik prediktif pada dataset kecil yang tidak seimbang, yang perilakunya sangat berbeda dari memprediksi klik atau pembelian. Kedua, prediksi menggambarkan korelasi. Model dapat mempelajari bahwa orang yang tidak dipromosikan selama tiga tahun sering keluar, tanpa memberi tahu Anda apakah promosi akan membuat mereka bertahan.

Sinyal Prediktif yang Umum

Kebanyakan model memanfaatkan beberapa kelompok data. Tabel ini mengelompokkannya menurut seberapa berguna dan seberapa sensitifnya.

Studi-studi dalam tinjauan 2024 menunjuk gaji dan lembur sebagai faktor terkuat, yang sesuai dengan intuisi: keduanya dicatat dengan andal, berubah seiring waktu, dan terhubung dengan alasan nyata untuk pergi. Sinyal di bagian bawah tabel adalah yang paling perlu diwaspadai. Usia dan jarak tempuh dapat secara diam-diam menjadi proksi bagi karakteristik yang dilindungi. Jejak digital seperti pola pesan atau riwayat penelusuran tidak akurat sekaligus merusak kepercayaan, dan di Uni Eropa, menyimpulkan emosi di tempat kerja dilarang sama sekali.

Jika Anda ingin tahu apa yang realistis untuk dimasukkan ke model, mulailah dari fondasi data SDM untuk AI. Kebanyakan proyek attrition yang gagal, gagal karena kualitas data, bukan karena algoritma.

Batas Akurasi yang Perlu Anda Pahami

Vendor yang menyebut "akurasi 90%" memberi tahu Anda sangat sedikit. Berikut alasannya.

Keluar itu jarang, sehingga akurasi menyanjung. BLS melaporkan tingkat pengunduran diri 1,9 persen untuk Agustus 2026. Bahkan dalam setahun, kebanyakan karyawan bertahan. Model yang memprediksi "semua bertahan" benar hampir sepanjang waktu dan tidak berguna. Akurasi harus digantikan dengan ukuran yang peduli pada mereka yang keluar: presisi (dari orang yang ditandai, berapa yang keluar), recall (dari orang yang keluar, berapa yang ditandai), dan AUC.

Alarm palsu lebih banyak daripada yang tepat sasaran. Berikut ilustrasi hipotetis, bukan hasil pengukuran. Ambil 1.000 karyawan dengan 150 di antaranya akan keluar tahun ini. Model yang baik menangkap 105 dari 150 (recall 70%) dan keliru menandai 170 dari 850 yang bertahan (20% alarm palsu). Itu berarti 275 orang ditandai, dan hanya 105 di antaranya, sekitar 38%, yang benar-benar keluar. Manajer yang melihat daftar itu sebagian besar sedang melihat orang yang sebenarnya akan bertahan.

Angka yang dipublikasikan tidak bisa dipindahkan begitu saja. Studi perusahaan minuman Brasil melaporkan akurasi keseluruhan 79% pada tenaga kerja nyata sebanyak 8.724 orang. Hasil dari satu perusahaan, satu periode, dan satu set kolom jarang berlaku di tempat lain, dan sebagian studi yang dipublikasikan dibangun di atas berkas SDM contoh sintetis, yang tidak banyak bercerita tentang tenaga kerja sungguhan. Nilailah setiap model berdasarkan riwayat Anda sendiri.

Dunia berubah. Model yang dilatih sebelum reorganisasi, pembekuan gaji, atau lonjakan perekrutan mempelajari tenaga kerja yang berbeda dari yang Anda miliki sekarang. Skor bergeser, dan model yang tidak pernah diuji ulang tetap tampak berwibawa sementara kualitasnya menurun.

Prediksi bukan kausalitas. Bahkan skor yang baik hanya memberi tahu ke mana harus melihat. Penyebabnya ditemukan dengan berbicara kepada orang.

Contoh Nyata menurut Fungsi

HR business partner. Seorang partner meninjau risiko tingkat tim setiap kuartal, bukan skor individu. Satu grup teknik menunjukkan risiko yang meningkat, dengan lembur berat dan tanpa promosi selama dua tahun. Partner mengangkatnya kepada direktur sebagai masalah beban kerja dan jenjang karier, tanpa menyebut individu mana pun.

Manajer operasional garis depan. Di lokasi kerja berbasis shift, fluktuasi jadwal dan pola lembur tak berbayar memprediksi kepergian. Manajer membenahi jadwal dan membatasi shift malam berturut-turut. Nilai model itu adalah menunjuk ke proses penjadwalan, bukan ke pekerja mana pun.

Tim kompensasi. Model terus menandai orang yang sudah lama melewati kenaikan gaji terakhir mereka di peran yang gaji pasarnya bergerak. Tim kompensasi memakainya untuk menjalankan tinjauan gaji yang terarah, tindakan yang jelas dan dapat dipertanggungjawabkan dengan alasan yang gamblang.

Pimpinan penjualan. Seorang direktur penjualan diperlihatkan bahwa tenaga penjual yang gagal mencapai kuota dua kuartal berturut-turut keluar dengan tingkat lebih tinggi. Tanggapannya adalah bimbingan dan peninjauan wilayah lebih awal, bukan peringatan kepada tenaga penjual.

Hukum dan privasi. Penasihat hukum memastikan data apa yang boleh digunakan secara sah, pemberitahuan apa yang diterima karyawan, dan apakah penilaian dampak pelindungan data diperlukan. Tim ini sebaiknya hadir di ruangan sebelum uji coba, bukan sesudahnya.

Etika Bertindak Berdasarkan Skor Risiko Pengunduran Diri

Skor menciptakan jenis informasi baru tentang seseorang yang tidak mereka berikan kepada Anda dan mungkin tidak mereka ketahui keberadaannya. Cara Anda menanganinya adalah ujian sesungguhnya.

Jangan biarkan menyentuh keputusan tentang orang. Skor risiko tidak boleh mengurangi akses seseorang ke promosi, proyek, pelatihan, atau kenaikan gaji dengan dalih mereka toh akan pergi. Itu mengubah prediksi menjadi ramalan yang memenuhi dirinya sendiri. Hal itu juga mungkin melanggar hukum: GDPR Article 22 membatasi keputusan yang semata-mata didasarkan pada pemrosesan otomatis yang memengaruhi orang secara signifikan, dan EU AI Act memperlakukan AI ketenagakerjaan sebagai berisiko tinggi. Jika Anda beroperasi di AS atau tempat lain, aturannya berbeda dan terus berubah, jadi mintalah nasihat hukum untuk setiap yurisdiksi.

Gunakan skor untuk memperbaiki kondisi, bukan untuk mengawasi individu. Penggunaan yang paling etis memperbaiki penyebab yang diungkap model: kesenjangan gaji, beban berlebih, karier yang buntu, manajer yang buruk. Penggunaan yang paling tidak etis memberi tahu manajer bahwa orang tertentu "berisiko" supaya manajer bisa mengatur orang itu.

Jauhkan skor dari manajer lini secara default. Tampilan agregat di tingkat tim atau departemen memberi Anda wawasan tanpa pelabelan. Jika skor individu harus digunakan, batasi siapa yang melihatnya, catat alasannya, dan hapus sesuai jadwal.

Periksa bias. Bandingkan kesalahan model antarkelompok yang ditentukan menurut jender, usia, ras, disabilitas, dan status pengasuhan di tempat Anda diizinkan melakukannya. Model yang terlalu sering menandai perempuan usia tiga puluhan karena riwayat menunjukkan lebih banyak kepergian seputar cuti melahirkan sedang mengodekan sebuah pola, bukan kebenaran. Konsep ini dijelaskan dalam bias dalam AI.

Bersikaplah terbuka. Beri tahu karyawan data apa yang digunakan dan untuk apa. Penilaian rahasia merusak kepercayaan lebih cepat daripada kebanyakan attrition.

Jauhi pengawasan perilaku. Membaca pesan, melacak penelusuran, atau menyimpulkan suasana hati untuk mendeteksi "penarikan diri" bersifat invasif, rawan kesalahan, dan, untuk pengenalan emosi di Uni Eropa, dilarang. Jika sebuah sinyal mengharuskan orang diawasi dari dekat, itu sinyal yang salah.

Cara Menerapkan Prediksi Attrition Langkah demi Langkah

1. Tentukan keputusannya terlebih dahulu. Tuliskan apa yang akan Anda lakukan secara berbeda jika Anda tahu di mana risiko terkonsentrasi. Jika jawabannya "tidak ada", jangan membangunnya.

2. Mulai dengan alternatif yang murah. Lihat data kepergian, tema wawancara keluar, skor keterlibatan, dan tingkat kepergian menurut manajer dan kelompok masa kerja. Banyak organisasi menemukan pendorong utamanya tanpa model apa pun.
3. Audit data Anda. Pastikan Anda memiliki catatan yang konsisten tentang perekrutan, kepergian (dengan pembedaan sukarela dan tidak sukarela), riwayat gaji, perubahan peran, dan penugasan manajer selama setidaknya beberapa tahun. Keluarkan kepergian tidak sukarela dari target.
4. Tetapkan cakupan di tingkat tim. Putuskan bahwa keluaran diagregasi, siapa yang dapat melihat apa, dan tindakan apa yang diperbolehkan.
5. Pilih model paling sederhana yang berhasil. Regresi logistik atau model berbasis pohon, dengan penjelasan, biasanya sudah cukup. Bandingkan dengan baseline sederhana seperti "kelompok masa kerja ditambah posisi gaji".
6. Uji dengan jujur. Latih pada data yang lebih lama dan uji pada periode terbaru. Laporkan presisi, recall, dan AUC, bukan hanya akurasi, dan periksa kesalahan antarkelompok.
7. Kerjakan sisi privasi. Dokumentasikan dasar hukum, lakukan penilaian dampak bila diwajibkan, dan beri tahu karyawan.
8. Uji coba dengan putaran tinjauan manusia. Minta SDM duduk bersama manajer untuk menanyakan apakah pendorongnya sesuai dengan yang mereka lihat. Catat kasus ketika model keliru.
9. Ukur intervensinya, bukan modelnya. Tujuannya adalah berkurangnya kepergian yang disesalkan. Bandingkan tim yang ditangani dan yang tidak, dan lacak apakah tindakan seperti tinjauan gaji atau perubahan beban kerja menggeser hasil.
10. Uji ulang sesuai jadwal. Evaluasi ulang setidaknya setiap tahun, dan setelah perubahan besar dalam organisasi.

Untuk melihat bagaimana ini cocok di seluruh perjalanan karyawan, lihat AI di seluruh siklus hidup karyawan. Dan untuk siapa memegang apa dalam fungsi SDM yang menerapkan ini, lihat AI dan model operasi SDM.

Kesalahan Umum

• Membeli berdasarkan angka akurasi utama. Minta presisi, recall, data yang dipakai, dan cara pengujiannya.
• Memprediksi sebelum membereskan data. Pengodean kepergian yang berantakan (mengundurkan diri versus diberhentikan versus pensiun) merusak variabel target.
• Menilai individu padahal tim sudah cukup. Label individu menambah risiko dan sedikit wawasan.
• Menyembunyikan model. Jika karyawan mengetahui adanya penilaian rahasia, kerusakannya melebihi manfaat apa pun.
• Memperlakukan skor sebagai penyebab. Model memberi tahu ke mana harus melihat. Orang yang memberi tahu Anda mengapa.
• Hanya bertindak atas skor tinggi. Sebagian karyawan terbaik Anda pergi diam-diam dengan skor rendah, dan sebagian yang ditandai sebenarnya sudah mantap.
• Tidak pernah menguji ulang. Model yang usang itu yakin dan keliru.