IMPLEMENTASI STACKING ENSEMBLE UNTUK PREDIKSI PRODUKTIVITAS TENAGA KERJA PADA INDUSTRI GARMEN

Abstract

Produktivitas tenaga kerja merupakan indikator penting dalam menentukan efisiensi dan keberlanjutan operasional di industri garmen. Penelitian ini bertujuan untuk membangun model klasifikasi produktivitas pekerja dengan pendekatan Stacking Ensemble, yang menggabungkan tiga algoritma pembelajaran mesin unggulan seperti XGBoost, Random Forest, dan LightGBM. Dataset yang digunakan diperoleh dari Kaggle dengan 1.197 data observasi, yang mencakup berbagai atribut seperti departemen, waktu kerja, lembur, insentif, dan produktivitas aktual. Proses prapemrosesan mencakup encoding data kategorikal, rekayasa fitur, dan penanganan ketidakseimbangan kelas menggunakan teknik SMOTE. Model Stacking Ensemble dilatih menggunakan teknik validasi silang dan dievaluasi menggunakan metrik klasifikasi seperti akurasi, presisi, recall, dan F1-score. Hasil evaluasi menunjukkan bahwa model yang diusulkan mampu mencapai akurasi 99,58%, presisi 100%, dan recall 99,29%, yang secara signifikan lebih tinggi dibandingkan penelitian sebelumnya, seperti Random Forest (94,36%) dan Classification C50 (79,10%). penelitian ini menegaskan keunggulan metode ensemble dalam meningkatkan performa klasifikasi, serta potensinya sebagai alat bantu dalam pengambilan keputusan manajerial terkait peningkatan produktivitas tenaga kerja di sektor tekstil dan garmen berbasis data.