Algoritma Random Forest Untuk Prediksi Indikasi Kelelahan Karyawan Pertambangan Di Masa Pandemi Covid-19: Studi Kasus PT. ABC

Saputra, Widya (2023) Algoritma Random Forest Untuk Prediksi Indikasi Kelelahan Karyawan Pertambangan Di Masa Pandemi Covid-19: Studi Kasus PT. ABC. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6032202047-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2025. Download (2MB) | Request a copy

Abstract

Di masa pandemi Covid-19 dalam upaya menjaga performa kinerja karyawan serta keberlangsungan bisnis perusahaan membuat jam kerja menjadi tidak menentu sehingga akan menguras banyak energi karyawan. Perusahaan objek penelitian ini menggunakan mekanisme pemantauan kelelahan pada karyawan berupa pencatatan manual kebiasaan sehari-hari, seperti jumlah jam tidur maupun konsumsi obat-obatan. Formulasi penentuan indikasi kelelahan dengan hasil pencatatan manual dapat menjadi bias akibat variasi kebiasaan individu. Perumusan model yang lebih sesuai dibutuhkan untuk menentukan indikasi kelelahan tersebut. Pada penelitian ini dilakukan prediksi indikasi kelelahan karyawan menggunakan pendekatan pembelajaran mesin dengan memperhitungkan kombinasi kemungkinan faktor kebiasaan karyawan. Algoritma Random Forest akan dibandingkan dengan Logistic Regression dan Extreme Gradient Boosting. Kasus karyawan mengalami kelelahan sebelum bekerja memiliki jumlah yang lebih sedikit dibandingkan keseluruhan data. Untuk mengantisipasi hal tersebut, diterapkan teknik pengambilan sampel agar hasil yang didapatkan tidak bias. Evaluasi dilakukan menggunakan nilai yang didapatkan dari confusion matrix. Data berupa survey yang dilakukan karyawan sebelum memulai bekerja, dipadukan dengan data karyawan serta data sekunder lainnya. Pengujian korelasi, pembagian komposisi data, melakukan penyeimbangan data serta optimasi parameter dilakukan untuk mendapatkan model prediksi terbaik. Algoritma Random Forest yang dipadukam dengan teknik SMOTE dan optimasi parameter mampu memberikan hasil terbaik dibandingkan dengan algoritma lainnya dengan nilai sebesar 99% pada F-measure karyawan layak bekerja dan 30% pada F-measure karyawan tidak layak bekerja. Berdasarkan hasil analisis didapatkan terdapat dua variabel yang paling berpengaruh terhadap penentuan indikasi kelelahan bekerja pada karyawan, yakni jumlah jam tidur dan konsumsi obat pada karyawan. hasil penelitian ini dapat menjadi masukan bagi perusahaan dalam penentuan kebijakan terkait mitigasi indikasi kelelahan pada karyawan sebelum memulai bekerja.
============================================================================================================================
During the Covid-19 pandemic, in an effort to maintain employee performance and the company's business continuity, working hours became erratic so that it drained a lot of employee energy. The company as the object of this research uses a fatigue monitoring mechanism for employees in the form of manually recording daily habits, such as the number of hours of sleep or drug consumption. The formulation of indications of fatigue with manual recording results can be biased due to variations in individual habits. Formulation of a more appropriate model is needed to determine the fatigue indication. In this study, predictions were made for indications of employee fatigue using a machine learning approach by taking into account possible combinations of employee behavior factors. Random Forest Algorithm will be compared with Logistic Regression and Extreme Gradient Boosting. Cases when employee experiencing burnout before work have a smaller number than the entire data. To anticipate this, sampling technique is applied so that the results obtained are not biased. Evaluation is carried out using the values obtained from the confusion matrix. The data is in the form of a survey conducted by employees before starting work, combined with employee data and other secondary data. Correlation testing, distribution of data composition, balancing data and parameter optimization are carried out to get the best predictive model. The Random Forest algorithm combined with the SMOTE technique and parameter optimization is able to provide the best results compared to other algorithms with a score of 99% on the F-measure of employees fit for work and 30% on the F-measure of employees not fit for work. Based on the results of the analysis, it was found that there were two variables that most influenced the determination of work fatigue indications for employees, namely the number of hours of sleep and drug consumption by employees. The results of this study can be used as input for companies in determining policies related to mitigating indications of fatigue in employees before starting work.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Covid-19, Fitur Dari Faktor Gaya Hidup, Indikasi Kelelahan Karyawan, Model Prediksi, Employee Fatigue Indications, Features Of Lifestyle Factors, Predictive Models, Random Forest
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines.
Divisions:	Interdisciplinary School of Management and Technology (SIMT) > 61101-Master of Technology Management (MMT)
Depositing User:	Widya Saputra
Date Deposited:	13 Feb 2023 11:44
Last Modified:	13 Feb 2023 11:44
URI:	http://repository.its.ac.id/id/eprint/97118

Actions (login required)

View Item