Analisa Resignation Management Trainee di Perusahaan Tertentu

Beberapa tahun yang lalu, saya sempat diajak berdiskusi oleh salah seorang rekan saya yang berprofesi di bidang human resources. Salah satu topik diskusinya adalah bagaimana mengukur keberhasilan program management trainee yang ada di perusahaannya.

Rekan saya bercerita bahwa MT merupakan rekrutan fresh graduate yang kemudian diberikan kesempatan “berkeliling” area kerja yang ada di perusahaannya. Mulai dari head office, plant (pabrik), hingga ke area (luar kota sebagai sales atau promotion). Proses “keliling” ini berdurasi tiga bulan yang kemudian akan dievaluasi. Bisa jadi MT tersebut dipindahkan ke tempat lain atau dibiarkan menetap di sana. MT kemudian bisa diangkat menjadi karyawan tetap setelah dilakukan evaluasi atas kinerjanya selama setahun.

Rekan saya juga bercerita bahwa sebagian karyawan ex-MT kemudian resign sebelum 4 tahun bekerja. Tentu dia sudah melakukan studi kualitatif dengan melakukan exit interview kepada semua MT yang resign. Namun dia ingin mendapatkan insights lain dengan pendekatan lain.

Berhubung tema beberapa tulisan terakhir saya adalah tentang survival analysis, maka saya akan coba lakukan analisa ini terhadap masalah rekan saya tersebut.

---

Pertama-tama, saya memiliki data 400 orang karyawan yang masuk sebagai MT dari berbagai batches. Setiap orang di-track datanya selama 48 bulan dan akan dilihat berapa bulan sampai akhirnya orang tersebut resign. Berikut ini adalah sampel datanya:

id	nama	salary	dept	rotation	asal	masa_kerja	status_resign
1	Hernandez, Erick	Low	HQ	3	Kota	9.830242	Stay
2	Davis, Chloe	Low	Plant	3	Kota	1.897667	Stay
3	Tanabe, Michael	High	HQ	2	Luar kota	48.000000	Stay
4	Portillo, Allyvanessa	Low	Plant	2	Luar kota	32.294057	Stay
5	King, Wyatt	High	HQ	1	Kota	48.000000	Stay
6	Zerna, Danielle	High	Area	2	Kota	20.356864	Stay
7	Lesperance, Brian	High	Area	3	Luar kota	36.601011	Stay
8	Babcock, Brandon	High	Area	1	Luar kota	34.891620	Stay
9	al-Baig, Hasana	Low	HQ	2	Kota	30.576687	Stay
10	Amen, Sarah	High	Plant	2	Kota	48.000000	Stay

Berikut adalah penjelasan setiap kolom dari data di atas:

1. salary menandakan tingkat gaji bulanan karyawan tersebut. Hanya ada dua kategori salary, yakni low dan high.
2. dept menandakan lokasi kerja terakhir si karyawan. Bisa jadi di HQ (headquarter), plant (pabrik), atau di area.
3. rotation menandakan berapa kali si karyawan dirotasi lokasi kerja.
4. asal menandakan asal domisili si karyawan. Apakah berasal dari kota yang sama dengan headquarter atau luar kota?
5. masa kerja menandakan berapa bulan hingga si karyawan resign atau stay.

Analisa Deskriptif

Sekarang kita akan lihat beberapa analisa deskriptif penting:

Karyawan yang saat ini di-assign di area memiliki proporsi terbesar untuk resign dibandingkan lokasi kerja lainnya.

Karyawan dengan kategori low salary juga memiliki proporsi resign besar.

Karyawan yang berasal dari kota yang sama dengan headquarter memiliki kecenderungan resign lebih tinggi.

Semakin banyak dirotasi, karyawan akan berpeluang resign lebih tinggi.

Perhatikan bahwa analisa-analisa di atas adalah analisa jika setiap variabel di-cross dengan status resign.

Saya sekarang akan mencoba menghubungkan 3 variabel sebagai berikut sesuai dengan hipotesis dari rekan saya.

Hipotesis I

MT yang berasal dari dalam kota dan ditempatkan di area punya kecenderungan untuk resign.

Berdasarkan grafik di atas, kita dapatkan bahwa semua MT yang berasal dari kota dan ditempatkan di area (85 orang) akhirnya resign.

Hipotesis II

MT yang terlalu banyak dirotasi dengan low salary akan resign.

Berdasarkan grafik di atas, kita dapatkan bahwa semua MT yang dirotasi 3 kali dengan low salary (sebanyak 21 orang) akhirnya resign.

Survival Analysis

Pertama-tama, saya akan membuat model untuk semua data:

Call: survfit(formula = surv_emp ~ 1, data = df_hr)

       n events median 0.95LCL 0.95UCL
[1,] 400    319   26.1    22.6    29.4

Dari analisa di atas, median survival time untuk MT adalah sekitar 26 bulan atau sekitar 2 tahun saja.

Berikut akan saya coba buat model berdasarkan kategori salary.

Call: survfit(formula = surv_emp ~ salary, data = df_hr)

              n events median 0.95LCL 0.95UCL
salary=High 214    154   31.4      29    36.7
salary=Low  186    165   18.3      15    21.4

Median survival time untuk MT dengan low salary jauh lebih pendek dibandingkan higher salary. Berikut adalah model untuk rotasi:

Call: survfit(formula = surv_emp ~ rotation, data = df_hr)

             n events median 0.95LCL 0.95UCL
rotation=1 212    160   28.7    25.3    32.4
rotation=2 133    109   24.2    20.6    30.6
rotation=3  55     50   19.6    16.2    27.3

Median survival time dari MT yang lebih sering dirotasi lebih pendek. Berikut adalah model untuk asal domisili:

Call: survfit(formula = surv_emp ~ asal, data = df_hr)

                 n events median 0.95LCL 0.95UCL
asal=Kota      291    238   24.0    20.8    28.0
asal=Luar kota 109     81   31.2    25.3    34.9

MT yang berasal dari kota memiliki median survival time terpendek.

Faktor Penentu Resign

Dari data tersebut, saya akan membuat model regresi Cox untuk menentukan variabel mana saja yang berpengaruh terhadap resign dari MT.

Call:
coxph(formula = surv_emp ~ salary + dept + rotation + asal, data = df_hr)

  n= 400, number of events= 319 

                 coef exp(coef) se(coef)      z Pr(>|z|)    
salaryLow      0.7303    2.0758   0.1141  6.400 1.55e-10 ***
deptHQ        -0.8108    0.4445   0.1442 -5.622 1.89e-08 ***
deptPlant     -0.9773    0.3763   0.1429 -6.838 8.03e-12 ***
rotation       0.2472    1.2804   0.0810  3.052 0.002275 ** 
asalLuar kota -0.4630    0.6294   0.1339 -3.457 0.000545 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

              exp(coef) exp(-coef) lower .95 upper .95
salaryLow        2.0757     0.4818    1.6598    2.5960
deptHQ           0.4445     2.2497    0.3350    0.5897
deptPlant        0.3763     2.6572    0.2844    0.4980
rotation         1.2804     0.7810    1.0925    1.5007
asalLuar kota    0.6294     1.5888    0.4841    0.8183

Concordance= 0.655  (se = 0.015 )
Likelihood ratio test= 93.44  on 5 df,   p=<2e-16
Wald test            = 94.53  on 5 df,   p=<2e-16
Score (logrank) test = 96.96  on 5 df,   p=<2e-16

Beberapa temuan dari model tersebut:

1. Likelihood ratio test: 93.44 dengan 5 derajat kebebasan, dan p-value sangat kecil. Kita bisa simpulkan bahwa model secara keseluruhan statistically significant.
2. Variabel yang signifikan (catatan: yang memiliki p-value < 0.05):
   1. salaryLow (HR = 2.08, p = 1.55e-10)
      • MT dengan low salary memiliki risiko keluar 2.08 kali lebih tinggi dibanding MT dengan higher salary.
   2. Lokasi HQ (HR = 0.44, p = 1.89e-08)
      • Karyawan di headquarter memiliki risiko keluar 56% lebih rendah.
   3. Lokasi Plant (HR = 0.38, p = 8.03e-12)
      • Karyawan di plant memiliki risiko keluar 62% lebih rendah.
   4. Rotasi (HR = 1.28, p = 0.0023)
      • Setiap peningkatan 1 unit rotasi meningkatkan risiko keluar sebesar 28%.
   5. Asal Luar kota (HR = 0.63, p = 0.0005)
      • MT yang berasal dari luar kota memiliki risiko keluar 37% lebih rendah.

Epilog

Menurut keyakinan saya, resign merupakan hak setiap karyawan dan alasan yang diberikan tidak selalu harus bisa dijelaskan.

---

if you find this article helpful, support this blog by clicking the ads.