Prediksi pengunduran diri karyawan merupakan isu penting bagi perusahaan yang ingin meminimalkan dampak negatif seperti berkurangnya produktivitas dan meningkatnya biaya rekrutmen. Studi ini menerapkan algoritma klasifikasi C5.0 yang dikombinasikan dengan pemilihan fitur Chi-Square dan Synthetic Minority Over-sampling Technique (SMOTE) untuk mengatasi masalah ketidakseimbangan kelas, di mana jumlah karyawan yang mengundurkan diri (kelas minoritas) secara signifikan lebih rendah daripada mereka yang bertahan (kelas mayoritas). SMOTE digunakan untuk menghasilkan data sintetis untuk kelas minoritas guna meningkatkan kemampuan model dalam mendeteksi potensi pengunduran diri. Kumpulan data dipartisi menjadi tiga rasio: 70:30, 80:20, dan 90:10. Hasil eksperimen menunjukkan bahwa penerapan SMOTE secara substansial meningkatkan nilai recall dari 53.8% menjadi 76.18% dalam partisi 90:10. Namun, peningkatan ini disertai dengan penurunan akurasi dari 80.01% menjadi 76.43% dan presisi dari 82.91% menjadi 63.53%. Akurasi tertinggi sebesar 80.01% dicapai dalam partisi 90:10 tanpa menggunakan SMOTE. Temuan ini menyoroti bahwa peningkatan daya ingat sangat penting untuk prediksi pengunduran diri yang efektif, karena memungkinkan perusahaan untuk mengantisipasi dan menanggapi secara proaktif potensi pergantian karyawan. Studi ini berkontribusi pada bidang ini dengan menunjukkan bagaimana SMOTE dapat meningkatkan kinerja pengklasifikasi C5.0 dan menyarankan bahwa recall harus diprioritaskan dalam pemodelan prediktif untuk aplikasi manajemen sumber daya manusia.