Analisis Klaster Berdasarkan Deret Waktu Menggunakan Dynamic Time Warping Pada Pelanggaran Penggunaan Alat Pelindung Diri
Abstract
Abstrak —Peningkatan kasus kecelakaan kerja di Indonesia dari 182.835 kasus pada 2019 menjadi 360.635 kasus hingga November 2023 berdasarkan data dari BPJS Ketenagakerjaan. Penelitian ini bertujuan untuk memahami pola pelanggaran APD menggunakan analisis klaster berbasis deret waktu dengan pendekatan Dynamic Time Warping (DTW). Data pelanggaran dikumpulkan dari CCTV di enam area operasional PT Pelindo Marine Service, dengan fokus pada pelanggaran seperti tidak menggunakan helm dan rompi keselamatan. Berdasarkan temuan lapangan di PT Pelindo Marine Service, pelanggaran terjadi secara berulang di hampir seluruh lokasi dimana berjumlah 23.258 kejadian, menunjukkan adanya pola ketidakpatuhan yang konsisten antara area operasional. Hasil evaluasi menunjukkan bahwa konfigurasi dua klaster memberikan hasil terbaik dengan Koefisien Silhouette sebesar 0,4464. Klaster 1 terdiri dari lokasi-lokasi dengan jumlah pelanggaran rendah dan pola yang relatif stabil, sedangkan Klaster 2 mencakup lokasi dengan jumlah pelanggaran tinggi dan pola fluktuatif yang signifikan. Rata-rata pelanggaran harian pada Klaster 2 mencapai 107,10, dengan maksimum 294 pelanggaran/hari. Selain itu, hasil analisis juga menghasilkan matriks jarak antar lokasi berdasarkan kesamaan pola pelanggaran, serta perhitungan total pelanggaran kumulatif per lokasi selama periode observasi. Visualisasi hasil analisis disajikan dalam website visualisasi analitik untuk membantu manajemen dalam memantau, mengidentifikasi pola risiko, dan meningkatkan kepatuhan penggunaan APD. Solusi ini diharapkan dapat memperkuat strategi keselamatan kerja dan menurunkan risiko kecelakaan di lingkungan operasional perusahaan.
Kata kunci—Time Series Clustering, Dynamic Time Warping, Alat Pelindung Diri, Keselamatan Kerja, Website Analitik
References
[1] A. Asgaruddin, “Work Professionalism Through Work Discipline on Employee Performance (a Literature Study Human Resource Management),” Apr. 2023, doi: 10.31933/dijms.v4i6.
[2] P. P. Keselamatan, K. Kerja, P. Karyawan, and A. Sarbiah, “Penerapan Pelaksanaan Keselamatan dan Kesehatan Kerja (K3) pada Karyawan,” 2023.
[3] L. Putu Widya Adnyani and P. Robinson Sihombing, “ANALISIS CLUSTER TIME SERIES DALAM PENGELOMPOKAN PROVINSI DI INDONESIA BERDASARKAN NILAI PDRB,” 2021. [Online]. Available: http://bayesian.lppmbinabangsa.id/index.php/home
[4] D. A. N. Sirodj, I. M. Sumertajaya, and A. Kurnia, “Analisis Clustering Time Series untuk Pengelompokan Provinsi di Indonesia Berdasarkan Indeks Pembangunan Manusia Jenis Kelamin Perempuan,” STATISTIKA Journal of Theoretical Statistics and Its Applications, vol. 23, no. 1, pp. 29–37, Jun. 2023, doi: 10.29313/statistika.v23i1.2181.
[5] D. Setiawan and A. Zahra, “Pengelompokan Kemiskinan di Indonesia Menggunakan Time Series Based Clustering,” Inferensi, vol. 6, no. 1, p. 83, Mar. 2023, doi: 10.12962/j27213862.v6i1.14969.
[6] R. N. Puspita, D. Kependudukan, P. Sipil, and K. Tangerang, “PERBANDINGAN METODE ANALISIS CLUSTER HIRARKI PADA DATA MARGIN PERDAGANGAN DAN PENGANGKUTAN (MPP) KOMODITAS STRATEGIS DI INDONESIA,” vol. 3, no. 1, 2022, doi: 10.46306/lb.v3i1.
[7] F. Alfiah, A. Almadayani, D. Al Farizi, and E. Widodo, “Analisis Clustering K-Medoids Berdasarkan Indikator Kemiskinan di Jawa Timur Tahun 2020,” JURNAL ILMIAH SAINS, vol. 22, no. 1, p. 1, Dec. 2021, doi: 10.35799/jis.v22i1.35911.
[8] D. T. Utari and D. S. Hanun, “Hierarchical Clustering Approach for Region Analysis of Contraceptive Users,” EKSAKTA: Journal of Sciences and Data Analysis, pp. 99–108, Sep. 2021, doi: 10.20885/eksakta.vol2.iss2.art3.
[9] M. Diarty and A. W. Wijayanto, “Analisis Aspek Ketahanan Pangan Indonesia dengan Hard dan Soft Clustering, 2022,” Rekayasa, vol. 17, no. 1, pp. 108–123, Apr. 2024, doi: 10.21107/rekayasa.v17i1.21774.
[10] T. Li, A. Rezaeipanah, and E. S. M. Tag El Din, “An ensemble agglomerative hierarchical clustering algorithm based on clusters clustering technique and the novel similarity measurement,” Journal of King Saud University - Computer and Information Sciences, vol. 34, no. 6, pp. 3828–3842, Jun. 2022, doi: 10.1016/j.jksuci.2022.04.010.
[11] G. R. Suraya and A. W. Wijayanto, “Comparison of Hierarchical Clustering, K-Means, K-Medoids, and Fuzzy C-Means Methods in Grouping Provinces in Indonesia according to the Special Index for Handling Stunting,” Indonesian Journal of Statistics and Its Applications, vol. 6, no. 2, pp. 180–201, Aug. 2022, doi: 10.29244/ijsa.v6i2p180-201.
[12] T. Li, X. Wu, and J. Zhang, “Time series clustering model based on DTW for classifying car parks,” Algorithms, vol. 13, no. 3, Mar. 2020, doi: 10.3390/a13030057.
[13] E. Sulistiyawan et al., “PERBANDINGAN METODE OPTIMASI UNTUK PENGELOMPOKAN PROVINSI BERDASARKAN SEKTOR PERIKANAN DI INDONESIA (Studi Kasus Dinas Kelautan dan Perikanan Indonesia),” vol. 10, no. 1, pp. 76–84, 2021, [Online]. Available: https://ejournal3.undip.ac.id/index.php/gaussian/
