A HYBRIT PREDICTION MODEL DEVELOPED WITH CNN AND XGBOOST ALGORITMS FOR PREDICTING EMPLOYEE TURNOVER RATE

Öz

High employee turnover in businesses not only increases costs but also negatively impacts performance. Elevated turnover disrupts business continuity, makes it difficult for employees to maintain focus, and leads to the loss of experienced personnel. The process of recruiting and onboarding new staff is both time-consuming and costly, while the adaptation period required for aligning with the organizational culture reduces overall efficiency. This situation adversely affects trust and stability within the organization, potentially resulting in a loss of confidence among customers and business partners. In this study, HR data were analyzed using CNN and XGBoost algorithms to understand the reasons behind employee attrition. The aim of the research is to develop a model that predicts employee turnover rate. In the methodology, a hybrid model was created by applying CNN and XGBoost algorithms to a synthetic HR dataset obtained from the Kaggle platform. The model's performance was evaluated using metrics such as accuracy, precision, and F1score. The findings demonstrated that the hybrid model exhibited high performance in predicting employee turnover, achieving an accuracy rate of 97%. Consequently, the developed model is suggested to be an effective tool for workforce planning and enhancing employee satisfaction. However, the use of such models should be carefully considered from both ethical and managerial perspectives. It is crucial for businesses to utilize these predictive models not only for workforce planning but also to develop strategies aimed at improving employee satisfaction.

Anahtar Kelimeler

• Machine Learning
• Employee Turnover Prediction
• XGBoost
• CNN.

ÇALIŞAN DEVİR HIZINI TAHMİN ETMEDE CNN VE XGBOOST ALGORİTMALARI İLE GELİŞTİRİLEN HİBRİT MODEL ÖNERİSİ

Öz

İşletmelerde yüksek çalışan devir hızı hem maliyetleri artırmakta hem de performansı olumsuz etkilemektedir. Yüksek devir hızı, işletmenin sürekliliğini bozmakta, çalışanların odaklanmasını zorlaştırmakta ve deneyimli personelin kaybına yol açmaktadır. Yeni personel bulma ve adaptasyon süreci zaman alıcı ve maliyetlidir, bu süreçte işletme kültürüne uyum sağlanması verimliliği düşürür. Bu durum, işletme içindeki güven ve istikrarı olumsuz etkileyerek müşteri ve iş ortakları arasında güven kaybına yol açar. Bu çalışmada, çalışanların işlen ayrılma nedenlerini anlamak için CNN ve XGBoost algoritmaları kullanılarak İK verileri analiz edilmiştir. Araştırmanın amacı, çalışan devir hızını tahmin eden bir modeli geliştirmektir. Araştırmanın yönteminde, Kaggle platformundan elde edilen sentetik bir İK veri seti üzerinde CNN ve XGBoost algoritmaları kullanılarak hibrit bir model oluşturulmuş, modelin performansı doğruluk, hassasiyet ve F1 skorları gibi metriklerle değerlendirilmiştir. Bulgular, hibrit modelin %99 doğruluk oranı ile çalışan devir hızı tahmininde yüksek performans sergilediğini göstermiştir. Sonuç olarak, geliştirilen modelin işgücü planlamasında ve çalışan memnuniyetini artırmada etkili bir aracı olabileceği belirtilmiştir. Ancak, bu tür modellerin kullanımı, etik ve yönetim açısından dikkatli değerlendirilmelidir. İşletmelerin, bu tahmin modellerini yalnızca iş gücü planlamasında değil, aynı zamanda çalışan memnuniyetini artırmaya yönelik stratejiler geliştirmede kullanmaları önemlidir.

Anahtar Kelimeler

• Makine Öğrenimi
• Çalışan Devir Hızı
• Tahmin
• XGBoost
• CNN

Kaynakça

1. Aalst, W., Damiani, E. (2015). Processes meet big data: connecting data science with process science. IEEE Transactions on Services Computing, 8(6), 810-819. http://dx.doi.org/10.1109/TSC.2015.2493732
2. Adeusi, K. B., Amajuoyi, P., Benjami, L. B. (2024). Utilizing machine learning to predict employee turnover in high-stress sectors. International Journal of Management & Entrepreneurship Research, 6(5), 1702-1732.
3. Altun, M. G., Altun, A. H. (2025). Yüksek performanslı betonun basınç dayanımının farklı makine öğrenimi algoritmaları ile tahmin edilmesi. Journal of Innovative Engineering and Natural Science, 5(1), 347-361. https://doi.org/10.61112/jiens.1555284
4. Aksu, S. G., Sürgevil, O. (2019). Dijital çağın yetkinlikleri: Çalışanlar, insan kaynakları uzmanları ve yöneticiler çerçevesinden bakış. Journal of Business in the Digital Age, 2(2), 54-68.
5. Bahadır, M. B., Bayrak, A. T., Yücetürk, G., Ergun, P. (2021, June). A comparative study for employee churn prediction. In 2021 29th Signal Processing and Communications Applications Conference (SIU) (pp. 1-4). IEEE.
6. Ben Jabeur, S., Stef N., Carmona P., (2023). Bankruptcy prediction using the XGboost algorithm and variable importance feature engineering. Computational Economics, 61(2), 715-741. http://dx.doi.org/10.1007/s10614-021-10227-1
7. Bilenler, B., Gül, S., Uçar, T. (2024). Makine öğrenmesi teknikleri ile işten ayrılacak personelin tahminlenmesi ve tekniklerin performanslarının karşılaştırılması. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, 15(4), 807-816.
8. Büyükkör, Y., Doğan, S. (2024). Borsa endeks yönünün ağaç tabanlı topluluk makine öğrenmesi yöntemleri ile tahmini: bist-100 örneği. Bingöl Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, (27), 324-335. https://doi.org/10.29029/busbed.1391790

9. Chen T., Guestrin C. (2016). XGBoost: A scalable tree boosting system. KDD '16: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785-794. http://dx.doi.org/10.1145/2939672.2939785
10. Coşkun, C., Baykal, A. (2011). Veri madenciliğinde sınıflandırma algoritmalarının bir örnek üzerinde karşılaştırılması. Akademik Bilişim, 11, 51-58.
11. Çiftçioğlu, B. A., Mutlu, M., & Katırcıoğlu, S. (2019). Endüstri 4.0 ve insan kaynakları yönetiminin ilişkisi. Bandırma Onyedi Eylül Üniversitesi Sosyal Bilimler Araştırmaları Dergisi, 2(1), 31-53.
12. Del Prado, FLE., Roselloni MAD. (2017). Developing technological capability through human resource management: case study from the Philippines. Asian Journal of Technology Innovation. http://dx.doi.org/10.1080/19761597.2017.1385973
13. Dolatabadi S. H., Keynia F. (2017). Designing of customer and employee churn prediction model based on data mining method and neural predictor. The 2nd International Conference on Computer and Communication Systems. http://dx.doi.org/10.1109/CCOMS.2017.8075270
14. Dündar, K., Ağaçayak, A. (2023). Yapay zekâ ve makine öğrenmesi ile insan ilişkileri analizi. S. Neşeli, H. Terzioğlu (Ed.) Mühendislikte Yenilikçi Yaklaşımlar-2 içinde (ss.123-144), İstanbul: Eğitim Yayınevi.
15. Ersöz, F., Çınar, Y. (2021). Veri madenciliği ve makine öğrenimi yaklaşımlarının karşılaştırılması: Tekstil sektöründe bir uygulama. Avrupa Bilim ve Teknoloji Dergisi, (29), 397-414.
16. Fırat, H., Hanbay, D. (2022). Comparison of 3D CNN based deep learning architectures using hyperspectral images. Journal of the Faculty of Engineering and Architecture of Gazi University, 38(1).
17. Fonseca, F. (2021). Data objects for knowing. AI & Society. http://dx.doi.org/10.1007/s00146-021-01150-y
18. Gökalp, Ö. M. (2020). Makine öğrenmesi. Erişim adresi: https://www.researchgate.net/publication/357974983_Makine_Ogrenmesi_- _Machine_Learning.
19. Gümüş, H. T., Eyüpoğlu, C. (2023). Grafik sinir ağlarına genel bir bakış. EMO Bilimsel Dergi, 13(2), 39-56.
20. Holtom, B. C., Mitchell, T. R., Lee, T. W., Eberly, M. B. (2008). Turnover and retention research: A glance at the past, a closer review of the present, and a venture into the future. The Academy of Management Annals, 2(1), 231 274. https://doi.org/10.1080/19416520802211552
21. Kambur, E. (2022). Yapay zeka çağında insan kaynakları yönetimi konusunda yazılmış Türkçe makaleler üzerine bir araştırma. Pamukkale Üniversitesi Sosyal Bilimler Enstitüsü Dergisi (48), 139-152. https://doi.org/10.30794/pausbed.872606
22. Kaptanoglu, R. Ö. (2020). İşten ayrılma niyeti ve toksik liderliğin etkisi. IBAD Sosyal Bilimler Dergisi, (6), 161-173. https://doi.org/10.21733/ibad.621500
23. Mahlasela, S., Chinyamurindi, WT (2020). Teknolojiyle ilgili faktörler ve işten ayrılma niyetleri üzerindeki etkileri: Güney Afrika'daki devlet çalışanları örneği. Gelişmekte Olan Ülkelerde Bilgi Sistemleri Elektronik Dergisi, 86(3), e12126.
24. Meade, J. G. (2003). The human resources software handbook: Evaluating technology solutions for your organization. San Francisco: JosseyBass/Pfeiffer.
25. Misican, D.Ö. (2020). İnsan kaynakları profesyonellerinin perspektifinden dijitalleşen çalışma hayatında yapay zekâ. Journal of Academic Value Studies, 6(2) 152-175. http://dx.doi.org/10.29228/javs.42120.
26. Nacar, E. N., Erdebilli (b.d.rouyendegh), B. (2021). Makine öğrenmesi algoritmaları ile satış tahmini. Endüstri Mühendisliği, 32(2), 307-320. https://doi.org/10.46465/endustrimuhendisligi.811183
27. Oğuzlar, A. (2003). Veri ön işleme. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, (21).
28. Özmen EP., Özcan T., (2021). A novel deep learning model based on convolutional neural networks for employee churn prediction. Journal of Forecasting 41(3), 539-550. http://dx.doi.org/10.1002/for.2827
29. Park J., Feng YT., Jeong SP., (2024). Developing an advanced prediction model for new employee turnover intention utilizing machine learning techniques. http://dx.doi.org/10.1038/s41598-023-50593-4
30. Pelenk, S.E. (2020). İnovatif (yenilikçi) insan kaynakları uygulamalarının yenilik kültürüne etkisi. İstanbul Ticaret Üniversitesi Sosyal Bilimler Dergisi, (Özel Ek), 19 Temmuz 2020 237-261.
31. Saradhi, V.V. ve Palshikar, G.K. (2011). Employee churn prediction. Expert Systems with Applications, 38, 19-30. http://dx.doi.org/10.1016/j.eswa.2010.07.134
32. Sathya, R., Abraham, A. (2013). Comparison of supervised and unsupervised learning algorithms for pattern classification. International Journal of Advanced Research in Artificial Intelligence, 2(2), 34–38, http://dx.doi.org/10.14569/IJARAI.2013.020206
33. Şahin, D., Yılmaz, S. (2021). Endüstri 4.0 uygulamalarının sağlık kurumlarında insan kaynakları yönetimine etkilerinin değerlendirilmesi. Uluslararası Sağlık Yönetimi ve Stratejileri Araştırma Dergisi, 7(1), 142-155.
34. Şeker, Ş. E. (2018). CRISP-DM: Endüstriler arası standart işleme–veri madenciliği için (cross ındustry standard processing–data mining). YBS Ansiklopedi, 5(2).
35. Tharani, S. M., Raj, S. V. (2020, October). Predicting employee turnover intention in IT&ITeS industry using machine learning algorithms. In 2020 Fourth International Conference on I-SMAC (IoT in Social, Mobile, Analytics and Cloud)(I-SMAC) (pp. 508-513). IEEE.
36. Tokmak, M. (2023). XGBoost algoritması ile ikili parçacık sürü optimizasyonu öznitelik seçme tabanlı jar kötü amaçlı yazılımlarının tespiti. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi, 10(1), 140-152.
37. Tonbil, D. D., Aksakal, N. Y. (2024). İşe alım, temin-seçim süreçlerinde yapay zekâ ve teknolojilerinin kullanımı: nitel bir araştırma. İstanbul Ticaret Üniversitesi Girişimcilik Dergisi, 7(15), 38-56. https://doi.org/10.55830/tje.1514895
38. Tunçer, P. (2012). Değişen insan kaynakları yönetimi anlayışında kariyer yönetimi. Ondokuz Mayis University Journal of Education Faculty, 31(1). https://doi.org/10.7822/egt91
39. Turan, G. (2017). Muhasebe meslek mensuplarında iş yaşamı kalitesi ve işten ayrılma niyeti ilişkisi. Yüksek Lisans Tezi, Gaziantep Üniversitesi.
40. Türkel, S., Bozagaç, F. (2018). Endüstri 4.0’ in insan kaynakları yönetimine etkileri. Toros Üniversitesi İİSBF Sosyal Bilimler Dergisi, 5(9), 419-441.
41. Walker, A. J. (2001). Web-based human resources. New York: McGraw-Hill.
42. Wang SY., Huang Y., Cao GQ., (2023). Review on functional data classification. Wiley Interdisciplinary Reviews – Computainal Statics 16(1). http://dx.doi.org/10.1002/wics.1638
43. Xu, XX., Ji, Y. (2013). Study on technology innovation and human resources reallocation. Twldth Wuhan International Conference on E-Business. 677-682.
44. Yıldız, K. (2023). İstatistiksel yöntemler ile çalışanın işten ayrılmasının tahminlenmesi̇ ve ücret belirlenmesi̇ ile işten ayrılmanın optimizasyonu. Doktora Tezi, Marmara Üniversitesi.
45. Yılmaz, B., Halıcı, A. (2010). İşgücü devir hızını etkileyen etmenler: Sekreterlik mesleğinde bir araştırma. Uluslararası İktisadi ve İdari İncelemeler Dergisi, (4).
46. Zhong, HP., Fang, RS., Li, XY., Sun, XQ. (2008). Human resource slack and technological innovation: Evidence from Henan province in China. 2008 4th International Conference on Wireless Communications, Networking and Mobile Computing, Vols 1-31, 7065-7068.