Hotel bukan hanya tentang kamar, restoran, atau fasilitas yang nyaman. Di balik pelayanan yang diterima tamu, terdapat karyawan dari berbagai departemen yang menjadi penggerak utama operasional hotel. Mulai dari front office, housekeeping, food and beverage, engineering, hingga sumber daya manusia, kualitas pelayanan sangat bergantung pada bagaimana mereka bekerja dan berinteraksi dengan tamu.
Karena itu, kepuasan kerja karyawan menjadi isu penting dalam industri perhotelan. Karyawan yang merasa puas terhadap pekerjaannya cenderung memiliki loyalitas dan kinerja yang lebih baik, sementara ketidakpuasan dapat berkontribusi terhadap tingginya turnover dan menurunnya kualitas pelayanan. Penelitian yang dipublikasikan dalam Statistics, Optimization and Information Computing mencoba memanfaatkan machine learning untuk membantu membaca pola kepuasan karyawan hotel melalui metode Decision Tree dan AdaBoost.
Mengapa kepuasan karyawan hotel penting?
Industri perhotelan berbeda dengan industri yang sebagian besar proses produksinya dapat dilakukan mesin. Banyak aktivitas hotel masih mengandalkan interaksi langsung antarmanusia, mulai dari menyambut tamu hingga memastikan kebutuhan mereka terpenuhi selama menginap.
Artinya, kualitas sumber daya manusia mempunyai pengaruh langsung terhadap kualitas pelayanan.
Penelitian terdahulu yang dibahas dalam artikel ini menunjukkan bahwa kepuasan kerja berkaitan erat dengan loyalitas dan performa karyawan. Kepuasan kerja juga berkontribusi terhadap produktivitas, efisiensi, kualitas pelayanan, hubungan dengan pelanggan, serta performa organisasi secara keseluruhan. Karena itu, kepuasan karyawan tidak lagi cukup dipandang sebagai persoalan internal bagian sumber daya manusia, tetapi sebagai bagian dari strategi bisnis hotel.
Namun, mengukur kepuasan karyawan tidak selalu sederhana. Hotel dapat memiliki banyak departemen dengan karakter pekerjaan yang berbeda-beda. Penilaian yang hanya melihat nilai rata-rata mungkin belum cukup untuk menemukan pola yang tersembunyi di dalam data.
Di sinilah analitik data dan kecerdasan buatan dapat membantu.
Dari kuesioner menjadi informasi
Penelitian ini menggunakan data historis Employee Satisfaction Index atau ESI dari Hotel X.
Dataset terdiri dari 70 data dengan sembilan indikator respons yang berasal dari beberapa departemen hotel. Penilaian dilakukan menggunakan sejumlah kategori pertanyaan mengenai pekerjaan dan perusahaan. Respons karyawan kemudian diklasifikasikan menjadi tiga kategori, yaitu Low, Moderate, dan High.
Sebelum data digunakan untuk melatih model machine learning, peneliti terlebih dahulu melakukan Exploratory Data Analysis atau EDA.
Tujuannya sederhana: melihat pola yang ada di dalam data sebelum algoritma digunakan.
Hasil analisis menunjukkan bahwa kategori Moderate merupakan kelompok yang paling dominan. Ini memberikan gambaran awal bahwa secara umum karyawan Hotel X cukup puas terhadap kondisi tempat mereka bekerja.
Namun ketika dianalisis per departemen, pola yang berbeda mulai terlihat. Departemen HR banyak berada pada kategori moderate, disusul engineering. Sementara itu, housekeeping menunjukkan jumlah respons kategori rendah yang lebih besar sehingga memerlukan perhatian manajemen.
Menariknya, dari berbagai aspek yang dinilai, leadership memperoleh nilai rata-rata paling tinggi, kemudian diikuti oleh aspek personnel.
Temuan ini menunjukkan bahwa kepemimpinan dan pengelolaan personel menjadi dua aspek yang mendapatkan penilaian relatif baik dari para karyawan.
Komputer belajar membuat keputusan
Setelah karakteristik data diketahui, penelitian menggunakan dua metode machine learning.
Metode pertama adalah Decision Tree.
Sesuai namanya, Decision Tree bekerja seperti pohon keputusan. Data dibagi secara bertahap berdasarkan karakteristik tertentu hingga model dapat menentukan kategori akhir.
Secara sederhana, algoritma mencoba menjawab serangkaian pertanyaan: “Jika respons karyawan terhadap aspek tertentu seperti ini, masuk kelompok mana?”
Kemudian keputusan berikutnya dibuat berdasarkan karakteristik lainnya hingga akhirnya model memperkirakan apakah tingkat kepuasan karyawan berada pada kategori High, Low, atau Moderate.
Keunggulan Decision Tree adalah struktur keputusannya relatif mudah dipahami dibanding beberapa algoritma machine learning yang lebih kompleks. Penelitian ini menggunakan konsep entropy dan information gain untuk menentukan pemisahan data yang paling informatif.
Namun satu model Decision Tree belum tentu menghasilkan keputusan terbaik.
Karena itu penelitian juga menggunakan Adaptive Boosting atau AdaBoost.
AdaBoost: belajar dari kesalahan sebelumnya
Cara kerja AdaBoost dapat dianalogikan dengan proses belajar berulang.
Bayangkan seseorang mengerjakan soal kemudian memperhatikan soal-soal mana yang salah. Pada latihan berikutnya, perhatian lebih besar diberikan pada soal yang sebelumnya sulit.
Prinsip AdaBoost kurang lebih seperti itu.
AdaBoost membangun beberapa model sederhana atau weak learners, kemudian memberikan perhatian lebih besar pada data yang salah diklasifikasikan oleh model sebelumnya. Hasil dari sejumlah model tersebut kemudian digabungkan sehingga menghasilkan model akhir yang lebih kuat.
Dalam penelitian ini, Decision Tree digunakan sebagai model dasar pada AdaBoost.
Karena jumlah data relatif terbatas dan distribusi kelas tidak seimbang, peneliti juga menggunakan Synthetic Minority Over-sampling Technique atau SMOTE.
Sebelum SMOTE, jumlah data kategori High sebanyak 18, Low sebanyak 17, dan Moderate sebanyak 35. Setelah SMOTE, ketiga kategori tersebut diseimbangkan menjadi masing-masing 35 sampel.
Pendekatan ini digunakan agar model tidak terlalu condong mempelajari kategori yang jumlah datanya paling banyak.
Apa yang ditemukan?
Hasil penelitian menunjukkan bahwa penggunaan AdaBoost mampu meningkatkan performa klasifikasi dibandingkan Decision Tree tunggal.
Pada hasil perbandingan model yang divisualisasikan dalam penelitian, Decision Tree menghasilkan akurasi sekitar 78%, sedangkan AdaBoost mencapai sekitar 88%. Performa AdaBoost juga lebih baik pada precision, recall, dan F1-score.
• Accuracy: Decision Tree 0,781 dan AdaBoost 0,875
• Precision: Decision Tree 0,788 dan AdaBoost 0,877
• Recall: Decision Tree 0,788 dan AdaBoost 0,879
• F1-score: Decision Tree 0,774 dan AdaBoost 0,873
Artinya, AdaBoost bukan hanya lebih sering memberikan klasifikasi yang benar, tetapi juga menunjukkan keseimbangan performa yang lebih baik dalam mengenali kategori kepuasan karyawan.
Abstrak penelitian juga melaporkan bahwa dari tiga skenario pembagian data training dan testing – 70:30, 75:25, dan 80:20 – AdaBoost memperoleh akurasi tertinggi sebesar 93% pada simulasi ketiga.
Apakah AdaBoost selalu lebih baik?
Secara angka, AdaBoost memang menghasilkan performa klasifikasi lebih tinggi.
Namun penelitian juga melakukan pengujian statistik untuk membandingkan kedua metode.
Hasil paired t-test menghasilkan p-value 0,6989, sedangkan Wilcoxon signed-rank test menghasilkan p-value 0,6250. Berdasarkan pengujian tersebut, perbedaan performa kedua metode belum dinyatakan signifikan secara statistik.
Temuan ini penting.
Akurasi yang lebih tinggi belum otomatis berarti suatu metode secara statistik selalu lebih unggul. Jumlah data, variasi responden, pembagian data training-testing, dan karakteristik sampel dapat memengaruhi hasil.
Pada penelitian ini, dataset yang digunakan relatif kecil sehingga hasilnya lebih tepat dibaca sebagai bukti awal bahwa ensemble learning seperti AdaBoost memiliki potensi untuk meningkatkan analisis kepuasan karyawan hotel.
Dari angka menjadi keputusan manajemen
Nilai utama penelitian seperti ini sebenarnya bukan hanya terletak pada kemampuan komputer memperoleh akurasi 80 atau 90 persen.
Yang lebih penting adalah bagaimana data dapat diterjemahkan menjadi informasi untuk membantu manajemen.
Misalnya, apabila sistem secara konsisten menunjukkan bahwa suatu departemen memiliki kecenderungan kepuasan yang lebih rendah, manajemen dapat melakukan pemeriksaan lebih lanjut mengenai kondisi kerja, beban kerja, pola komunikasi, kepemimpinan, maupun sistem penghargaan.
Sebaliknya, aspek yang dinilai tinggi dapat dipertahankan atau dijadikan contoh untuk departemen lainnya.
Dengan pendekatan ini, keputusan sumber daya manusia tidak hanya didasarkan pada intuisi, tetapi dapat diperkuat dengan data-driven decision making.
Machine learning tidak menggantikan peran manajer atau bagian HR. Algoritma justru dapat menjadi alat bantu untuk menemukan pola yang mungkin sulit terlihat ketika data hanya dibaca secara manual.
Tantangannya masih besar
Penelitian ini juga memiliki keterbatasan penting, terutama jumlah dataset yang hanya sekitar 70 data awal.
Model machine learning biasanya akan semakin kuat apabila memperoleh data yang lebih besar dan lebih beragam.
Karena itu, penelitian selanjutnya perlu menggunakan jumlah responden yang lebih banyak, periode pengumpulan data yang lebih panjang, dan kemungkinan melibatkan beberapa hotel sehingga model dapat diuji pada karakter organisasi yang berbeda.
Peneliti sendiri menyatakan bahwa pengembangan berikutnya diarahkan pada penggunaan dataset yang lebih besar dan metode yang lebih maju.
Penutup
Kepuasan karyawan merupakan salah satu fondasi penting dalam industri perhotelan.
Ketika jumlah data sumber daya manusia semakin besar, teknologi seperti machine learning memungkinkan perusahaan melihat pola yang sebelumnya sulit ditemukan hanya melalui evaluasi manual.
Penelitian ini menunjukkan bahwa Decision Tree dapat digunakan untuk mengklasifikasikan tingkat kepuasan karyawan, sementara AdaBoost mampu meningkatkan performa klasifikasi dengan menggabungkan sejumlah model pembelajaran.
Hasilnya memberikan gambaran bagaimana kecerdasan buatan dapat diterapkan pada bidang yang sangat dekat dengan manusia: memahami kondisi tenaga kerja.
Pada masa depan, analitik sumber daya manusia tidak hanya menjawab pertanyaan “seberapa puas karyawan saat ini?”, tetapi berpotensi membantu perusahaan mengetahui lebih dini siapa yang membutuhkan perhatian, faktor apa yang perlu diperbaiki, dan keputusan apa yang dapat dilakukan untuk mempertahankan tenaga kerja terbaik.
Penulis: Dr. Bambang Suharto, S.ST., M.M.Par.
Informasi detail dari riset ini dapat dilihat pada:
Herlambang, T., Anshori, M. Y., Suharto, B., Othman, Z., Azmi, M. S., & Arief, M. R. (2026). A Comparative Statistical Analysis of Decision Tree and AdaBoost Ensemble for Employee Performance Classification in the Hospitality Sector. Statistics, Optimization and Information Computing, Vol. 16, pp. 1813-1824.
DOI: 10.19139/soic-2310-5070-3493
