Abstrak
Tingginya tingkat turnover karyawan di rumah sakit, yang mencapai 20–30% per tahun, menjadi tantangan serius bagi manajemen sumber daya manusia (MSDM) karena berdampak pada produktivitas, biaya operasional, dan kualitas pelayanan kesehatan. Penelitian ini didasarkan pada kajian teori data mining melalui kerangka Knowledge Discovery in Database (KDD) serta algoritma klasifikasi Naïve Bayes dan C4.5 (Decision Tree), yang masing-masing memiliki keunggulan probabilistik dan kemampuan interpretasi pohon keputusan dalam memprediksi turnover karyawan. Penelitian menggunakan metode deskriptif kualitatif dengan pendekatan Human Resource Analytics, memanfaatkan data sekunder dari Human Resource Information System (HRIS) sebanyak 153 data karyawan pada sebuah rumah sakit swasta di Menteng, Jakarta Pusat. Tahapan penelitian mengikuti proses KDD meliputi data selection, preprocessing, transformation, data mining, dan evaluation, dengan pengujian model melalui skema K-Fold Cross Validation menggunakan RapidMiner. Hasil penelitian menunjukkan algoritma Naïve Bayes memperoleh akurasi 91,30% dengan AUC 0,971, sedangkan C4.5 menghasilkan akurasi lebih tinggi yaitu 97,83% dengan AUC 0,993, sehingga C4.5 direkomendasikan sebagai model prediktif utama. Kesimpulannya, penerapan data mining dengan pendekatan hybrid Naïve Bayes dan C4.5 terbukti efektif dan layak dijadikan dasar sistem pendukung keputusan berbasis data dalam menyusun strategi retensi karyawan rumah sakit.