Perpustakaan Digital ITB

Penelitian ini mengusulkan pendekatan berbasis EMCE (Employee Mapping berdasarkan Regional Clusters, Unit Clusters, Unit Characteristics, dan Employee Experience) dengan metode machine learning untuk memprediksi mutasi penempatan pegawai pemimpin unit di PLN. Tantangan dalam pengelolaan sumber daya manusia di PLN, khususnya terkait mutasi pegawai, memerlukan sistem yang lebih akurat, efisien, dan berbasis data. Integrasi antara data internal PLN (seperti riwayat jabatan, kinerja operasional, dan karakteristik unit kerja) serta data eksternal dari Badan Pusat Statistik (BPS) memungkinkan analisis mendalam terhadap kebutuhan spesifik dari tiap unit dan pengalaman pegawai. Penelitian ini menggabungkan algoritma XGBoost dan pendekatan Rule-Based Classification untuk menghasilkan model prediktif yang fleksibel dan interpretatif. XGBoost dipilih karena keunggulannya dalam menangani data skala besar dan kompleks, sementara Rule-Based Classification memungkinkan pengambilan keputusan yang lebih transparan. Selain itu, masalah ketidakseimbangan kelas dalam dataset diselesaikan dengan Synthetic Minority Oversampling Technique (SMOTE), yang memastikan distribusi kelas lebih merata sehingga model mampu belajar dari semua kelas dengan baik. Proses penelitian dimulai dari preprocessing data, rekayasa fitur, dan reduksi dimensi menggunakan Principal Component Analysis (PCA). Untuk klasterisasi unit kerja, digunakan algoritma k-Means yang membagi unit ke dalam tiga kategori: Sarana (SAR), Teknik (TEK), dan Transaksi Energi (TEL). Evaluasi model menggunakan metrik akurasi, precision, recall, dan F1-score, di mana hasil menunjukkan bahwa model XGBoost mencapai akurasi 89,74%. Analisis lebih lanjut melalui confusion matrix dan learning curve membuktikan bahwa model mampu melakukan generalisasi dengan baik tanpa mengalami overfitting. Kontribusi utama penelitian ini adalah menyediakan pendekatan berbasis data yang memungkinkan PLN melakukan mutasi pegawai secara lebih sistematis, akurat, dan transparan. Dengan memetakan identitas unit kerja dan pengalaman pegawai, sistem ini membantu memastikan kesesuaian antara kompetensi individu dan kebutuhan unit. Selain itu, pendekatan ini berpotensi untuk diintegrasikan ke dalam sistem manajemen SDM berbasis teknologi guna mengotomatiskan proses mutasi pegawai. Dari hasil penelitian, ditemukan bahwa karakteristik teknis seperti JTM (Jaringan Tegangan Menengah) dan jumlah pelanggan (PLG) memiliki pengaruh signifikan dalam pembentukan klaster unit. Selain itu, pengelolaan mutasi berbasis data tidak hanya mendukung efisiensi operasional PLN tetapi juga memfasilitasi transfer pengetahuan antarunit serta pengembangan karier pegawai secara berkelanjutan. Penelitian ini membuka peluang untuk eksplorasi lebih lanjut, termasuk penerapan deep learning untuk meningkatkan akurasi prediksi dan integrasi dengan data tidak terstruktur, seperti opini pegawai dalam bentuk teks. Dengan pendekatan ini, PLN diharapkan mampu mengembangkan strategi manajemen sumber daya manusia yang lebih efektif dan responsif terhadap tantangan operasional dan dinamika lingkungan bisnis.