Pertukaran (trade-off) dalam resampling

Sebuah perusahaan teknologi besar ingin memprediksi pengunduran diri karyawan (attrition) untuk meningkatkan retensi. Namun, hanya 12% karyawan yang keluar, sehingga model sebagian besar dilatih pada kasus "tetap" (88%), yang membuatnya sulit mendeteksi mereka yang berisiko keluar.

Untuk mengatasi ketidakseimbangan ini, analis HR menggunakan resampling sintetis untuk membuat lebih banyak kasus "keluar" dan menyeimbangkan data.

Sebuah persyaratan kunci: model harus menghindari salah klasifikasi karyawan loyal sebagai "berisiko tinggi keluar," agar tidak terjadi pemborosan upaya retensi.

Model dievaluasi menggunakan:

• Akurasi pelatihan: prediksi benar pada data pelatihan.
• Akurasi uji: prediksi benar pada data baru.
• Presisi: berapa banyak dari yang diprediksi keluar benar-benar keluar.

Metric	Model A (tanpa resampling)	Model B (dengan resampling)
Training accuracy	85%	95%
Test Accuracy	82%	85%
Precision	80%	68%