Penerapan Algoritma Xgboost dan Random Forest dalam Prediksi Uraian Resiko Proyek Pada Dinas XYZ
Abstract
Keselamatan kerja merupakan aspek penting dalam operasional bisnis yang sering diabaikan pada sektor Usaha Mikro, Kecil, dan Menengah (UMKM), khususnya pada sektor yang memiliki tingkat risiko tinggi seperti industri manufaktur skala kecil, kontruksi, pengolahan bahan yang berbahaya, dan lain sebagainya. Kurangnya pelatihan keselamatan kerja dapat berdampak pada produktivitas, kesehatan pekerja, dan keberlangsungan usaha. Penelitian ini bertujuan untuk mengklasifikasikan UMKM berdasarkan tingkat risiko guna mendukung proses pengambilan keputusan dalam pemberian pelatihan keselamatan kerja bagi pegawai di perusahaan tersebut. Algoritma klasifikasi Random Forest dan XGBoost digunakan dalam studi kasus ini dengan data yang diperoleh dari Dinas XYZ melalui dashboard aplikasi OSS. Hasil analisis menunjukkan bahwa model XGBoost memberikan akurasi prediksi yang lebih tinggi (0.74) dibandingkan Random Forest (0.73). Model XGBoost dipilih sebagai pendekatan utama karena performa yang lebih baik dalam mengidentifikasi kategori risiko. Dengan adanya klasifikasi ini, pemangku kepentingan dapat mengambil langkah mitigasi yang lebih tepat sasaran. Dalam penelitian ini, Pemerintah dan pihak terkait dapat merancang program pelatihan yang lebih tepat sasaran, efisien, dan efektif. Selain itu, pendekatan ini juga dapat diadaptasi untuk konteks lain, seperti pengelolaan risiko lingkungan, keamanan produk, atau penilaian kelayakan usaha secara umum.
References
‘Undang-undang (UU) No. 1 Tahun 1970 Tentang Keselamatan Kerja’.
R. Rst, R. Yulistria, E. P. Handayani, and S. Nursanty, ‘PENGARUH KESELAMATAN DAN KESEHATAN KERJA (K3) TERHADAP PRODUKTIVITAS KERJA KARYAWAN’, JURNAL SWABUMI, vol. 9, no. 2, 2021.
‘UNDANG-UNDANG REPUBLIK INDONESIA NOMOR 20 TAHUN 2008 TENTANG USAHA MIKRO, KECIL, DAN MENENGAH’.
P. N. Pemerinta et al., ‘PERATURAN PEMERINTAH REPUBLIK INDONESIA NOMOR 7 TAHUN 2O2I TENTANG KEMUDAHAN, PELINDUNGAN, DAN PEMBERDAYAAN KOPERASI DAN USAHA MIKRO, KECIL, DAN MENENGAH’.
Leo Breiman, ‘Random Forests’, Jan. 2021.
Pete Chapman et al., CRISP-DM 1.0 Step-by-step data mining guide. Daimler Chrysler, 1999.
R. Wirth and J. Hipp, ‘CRISP-DM: Towards a Standard Process Model for Data Mining’, 2000.
A. Ananda Surya, D. Rizki Darmawan, and A. Solichin, ‘Prediksi Kapabilitas Calon Debitur Menggunakan Analisis Data Machine Learning Dengan Metode Random Forest’, doi: 10.33364/algoritma/v.22-1.1929.
M. R. Muttaqin and M. Defriani, ‘Algoritma K-Means untuk Pengelompokan Topik Skripsi Mahasiswa’, ILKOM Jurnal Ilmiah, vol. 12, no. 2, pp. 121–129, Aug. 2020, doi: 10.33096/ilkom.v12i2.542.121-129.
P. R. Sihombing and I. F. Yuliati, ‘Penerapan Metode Machine Learning dalam Klasifikasi Risiko Kejadian Berat Badan Lahir Rendah di Indonesia’, MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer, vol. 20, no. 2, pp. 417–426, May 2021, doi: 10.30812/matrik.v20i2.1174.
Adhelia Nurfira Rachmi, ‘IMPLEMENTASI METODE RANDOM FOREST DAN XGBOOST PADA KLASIFIKASI CUSTOMER CHURN’, 2020.
M. Dava Maulana et al., ‘ALGORITMA XGBOOST UNTUK KLASIFIKASI KUALITAS AIR MINUM’, 2023. [Online]. Available: https://www.kaggle.com/datasets/adityak
Intan Permata and Esther Sorta Mauli Nababan, ‘Application Of Game Theory In Determining Optimum Marketing Strategy In Marketplace’, JURNAL RISET RUMPUN MATEMATIKA DAN ILMU PENGETAHUAN ALAM, vol. 2, no. 2, pp. 65–71, Jul. 2023, doi: 10.55606/jurrimipa.v2i2.1336.
