KUSRIWIDIAN, Maulana Tegar (2024) Klasifikasi Teks pada Pelaporan Bahaya PT Antam Pongkor Menggunakan Algoritma Long-Short Term Memory (LSTM). Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. COVER.pdf Download (81kB)
	Text 3. HALAMAN PENGESAHAN 1 SCAN.pdf Download (256kB)
	Text 4. HALAMAN PENGESAHAN 2 SCAN.pdf Download (199kB)
	Text 5. KATA PENGANTAR.pdf Download (96kB)
	Text 6. ABSTRAK.pdf Download (31kB)
	Text 7. ABSTRACT.pdf Download (27kB)
	Text 8. DAFTAR ISI.pdf Download (62kB)
	Text 12. BAB 1 PENDAHULUAN.pdf Download (115kB)
	Text 17. DAFTAR PUSTAKA.pdf Download (160kB)

Abstract

Pelaporan bahaya menjadi sumber informasi perusahaan pertambangan
untuk perbaikan dan pencegahan terhadap potensi bahaya di PT ANTAM UBPE
Pongkor. Potensi bahaya bersumber dari kondisi lingkungan atau tindakan manusia
yang tidak aman. Setiap pelaporan bahaya diklasifikasikan menjadi kondisi tidak
aman dan tindakan tidak aman dengan secara manual oleh staff Departemen Safety.
Metode Long-Short Term Memory merupakan salah satu algoritma yang dapat
digunakan untuk memudahkan pekerjaan pengklasifikasian teks seperti pelaporan
bahaya. Long-Short Term Memory (LSTM) merupakan jaringan saraf tiruan hasil
modifikasi Recurrent Neural Network (RNN) yang bekerja pada data sekuensial
seperti teks dengan mengolah rangkaian kata menjadi informasi suatu kelas.
Permasalahan umum analisis klasifikasi pada kasus nyata yaitu adanya
ketidakseimbangan kelas data. Perbedaan kelas pada data perlu penanganan seperti
resampling. Resampling yang dapat dilakukan yaitu Random Oversampling dan
Random Undersampling. Penelitian ini bertujuan untuk menerapkan LSTM dengan
kombinasi hyperparameter seperti batch size, epoch, dropout, learning rate, unit
LSTM dan penanganan ketidakseimbangan data dengan Random Oversampling
dan Random Undersampling pada pelaporan bahaya PT ANTAM UBPE Pongkor.
Hasil penelitian menunjukkan LSTM dengan hyperparameter batch size 64, epoch
20, dropout 0,3, learning rate 0,001, dan unit LSTM 128 menghasilkan akurasi
sebesar 76,77%, nilai Gmean sebesar 66,71%, nilai specificity sebesar 83,24%, dan
nilai recall sebesar 53,46%.
Kata Kunci: Kondisi Tidak Aman, Tindakan Tidak Aman, Klasifikasi Teks,
Long-Short Term Memory, Random Oversampling, Random Undersampling

Actions (login required)

View Item