MARDIANSYAH, RANGGA PUTRA (2025) ANALISIS RISIKO KECELAKAAN KERJA DI INGGRIS BERDASARKAN JENIS INSIDEN DAN SEKTOR INDUSTRI MENGGUNAKAN METODE ALGORITMA K-MEANS CLUSTERING. S1 thesis, Universitas Mercu Buana Jakarta.
|
Text (HAL COVER)
01 Cover.pdf Download (450kB) | Preview |
|
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (BAB I)
02 Bab 1.pdf Restricted to Registered users only Download (38kB) |
|
|
Text (BAB II)
03 Bab 2.pdf Restricted to Registered users only Download (200kB) |
|
|
Text (BAB III)
04 Bab 3.pdf Restricted to Registered users only Download (41kB) |
|
|
Text (BAB IV)
05 Bab 4.pdf Restricted to Registered users only Download (311kB) |
|
|
Text (BAB V)
06 Bab 5.pdf Restricted to Registered users only Download (28kB) |
|
|
Text (DAFTAR PUSTAKA)
07 Daftar Pustaka.pdf Restricted to Registered users only Download (155kB) |
|
|
Text (LAMPIRAN)
08 Lampiran.pdf Restricted to Registered users only Download (848kB) |
Abstract
Workplace accidents are a serious issue that impact not only individuals but also overall productivity and the reputation of industries. Effective prevention requires a deep understanding of the patterns and characteristics underlying such incidents. In this context, data analysis plays a crucial role in uncovering hidden risk profiles and designing more targeted occupational safety strategies.This study aims to cluster workplace accident cases based on similarities in key characteristics using the K-Means Clustering algorithm. The dataset, sourced from the United Kingdom’s Health and Safety Executive (HSE), covers the period from 2019 to 2023. The main variables analyzed are Type of Incident and Industry Sector. The quality of clustering was evaluated using the Elbow Method and the DaviesBouldin Index.The results show that the data can be optimally grouped into three clusters, each representing a different level of workplace accident risk. High-risk clusters were generally associated with the construction sector and incidents involving falls from height. These findings provide data-driven insights that can be used to develop more focused and effective accident prevention strategies tailored to each industrial sector. . Keyword: Clustering, Occupational Accidents, K-Means Algorithm, Data Mining Kecelakaan kerja merupakan permasalahan serius yang tidak hanya berdampak pada korban secara individu, tetapi juga terhadap produktivitas serta citra industri secara keseluruhan. Pencegahan yang efektif membutuhkan pemahaman yang mendalam terhadap pola serta karakteristik dari insiden-insiden tersebut. Dalam konteks ini, analisis data menjadi instrumen penting untuk mengidentifikasi faktorfaktor risiko yang tersembunyi serta merumuskan strategi keselamatan kerja yang lebih tepat sasaran.Penelitian ini bertujuan untuk mengelompokkan kasus-kasus kecelakaan kerja berdasarkan kemiripan karakteristik utama menggunakan algoritma K-Means Clustering. Dataset yang digunakan bersumber dari Health and Safety Executive (HSE) di Inggris, mencakup periode tahun 2019 hingga 2023. Variabel utama yang dianalisis adalah Jenis Insiden dan Sektor Industri. Evaluasi kualitas klaster dilakukan menggunakan metode Elbow Method dan DaviesBouldin Index.Hasil analisis menunjukkan bahwa data dapat dikelompokkan secara optimal ke dalam tiga klaster, dengan masing-masing klaster merepresentasikan tingkat risiko kecelakaan kerja yang berbeda. Klaster dengan tingkat risiko tinggi umumnya berkaitan dengan sektor konstruksi dan insiden akibat jatuh dari ketinggian. Temuan ini memberikan wawasan berbasis data yang dapat dimanfaatkan dalam penyusunan strategi pencegahan kecelakaan yang lebih fokus dan efektif di masing-masing sektor industri.. Kata kunci: Klasterisasi,Kecelakaan Kerja,Algortima K-Means, ,Data Mining
Actions (login required)
 |
View Item |
