Employee attrition adalah fenomena seorang karyawan meninggalkan perusahaan dan posisinya tidak segera diisi kembali yang dapat menimbulkan kerugian bagi perusahaan. Meskipun berbagai penelitian telah menggunakan machine learning, hasilnya menunjukkan akurasi yang tinggi tetapi F1-Score yang rendah akibat permasalahan data yang tidak seimbang. Penelitian ini bertujuan untuk mengevaluasi kinerja AutoML TPOT dalam membangun model prediktif employee attrition pada data tidak seimbang. Evaluasi dilakukan dengan membandingkan TPOT tanpa SMOTE, TPOT dengan SMOTE, serta tiga algoritma pembanding, yaitu Logistic Regression, XGBoost, dan Extra Trees Classifier yang dikombinasikan dengan teknik penanganan data tidak seimbang (SMOTE, scale_pos_weight). Hasil penelitian menunjukkan bahwa TPOT tanpa SMOTE memberikan hasil terbaik pada akurasi 87,82% dan F1-Score 71,74%. Di sisi lain, XGBoost dengan strategi penanganan data tidak seimbang (SMOTE, scale_pos_weight) menunjukkan hasil yang tidak berbeda signifikan dengan TPOT secara statistik. Oleh karena itu, kedua model machine learning menghasilkan kinerja terbaik dibandingkan model lainnya. Analisis feature importance mengungkapkan bahwa OverTime, StockOptionLevel, JobLevel, dan JobInvolvement adalah prediktor utama prediksi employee attrition. Temuan ini menunjukkan potensi pendekatan AutoML TPOT dalam membangun pipeline yang efektif untuk memprediksi employee attrition pada data tidak seimbang.