KLASIFIKASI TINGKAT KEPARAHAN KECELAKAAN KERJA BERBASIS LONG SHORT TERM MEMORY (LSTM)

Rahmah, Evi Zulfia (2025) KLASIFIKASI TINGKAT KEPARAHAN KECELAKAAN KERJA BERBASIS LONG SHORT TERM MEMORY (LSTM). S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (535kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (535kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (546kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (2MB)
	Text (BAB V) BAB V.pdf Download (92kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (92kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.4064.zip Restricted to Repository staff only Download (147MB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (2MB)

Abstract

Kecelakaan kerja merupakan salah satu permasalahan utama dalam dunia industri karena berdampak serius terhadap keselamatan tenaga kerja dan efisiensi operasional perusahaan. Dalam banyak kasus, informasi terkait tingkat keparahan kecelakaan kerja tidak tersedia secara eksplisit dalam laporan insiden, khususnya yang berbentuk deskripsi naratif. Hal ini menyulitkan pihak manajemen dan ahli keselamatan dalam menentukan prioritas penanganan insiden. Penelitian ini bertujuan untuk membangun model klasifikasi otomatis untuk mengidentifikasi tingkat keparahan kecelakaan kerja berdasarkan deskripsi naratif menggunakan pendekatan Long Short-Term Memory (LSTM). Dataset yang digunakan diperoleh dari OSHA (Occupational Safety and Health Administration) dan terdiri atas 91147 entri laporan kecelakaan kerja dalam bahasa Inggris. Proses pelabelan dilakukan secara bertahap dengan kombinasi metode zero-shot classification, serta verifikasi manual untuk memastikan kualitas label. Selanjutnya, dilakukan pra pemrosesan teks, tokenisasi, serta pembobotan kata menggunakan GloVe pre-trained embedding. Data dibagi menjadi data latih dan data uji dengan perbandingan 80:20 dan disesuaikan secara stratifikasi. Model LSTM dibangun dengan arsitektur berlapis dan dilatih selama 35 epoch menggunakan class weight untuk mengatasi ketidakseimbangan data. Hasil evaluasi menunjukkan bahwa model mampu mencapai akurasi sebesar 97% dengan nilai precision, recall, dan F1-score yang seimbang pada tiap kelas.

Actions (login required)

View Item