PENERAPAN MACHINE LEARNING MENGGUNAKAN ALGORITMA XGBOOST DALAM KLASIFIKASI JUMLAH KORBAN KECELAKAAN KERETA API DI INDONESIA

Selphia Nur Azzahra; irwansyah;

Penerapan Machine Learning Menggunakan Algoritma XGBoost dalam
Klasifikasi Jumlah Korban Kecelakaan Kereta Api di Indonesia

Selphia Nur Azzahra

Kecelakaan kereta api di Indonesia, khususnya di perlintasan sebidang tanpa pengawasan, masih
menjadi permasalahan serius yang mengancam keselamatan jiwa dan menimbulkan kerugian
materiil. Penelitian ini bertujuan untuk mengklasifikasikan jumlah korban kecelakaan kereta api ke
dalam kategori risiko rendah, sedang, dan tinggi dengan menggunakan algoritma XGBoost. Data
yang digunakan berasal dari laporan resmi Komite Nasional Keselamatan Transportasi (KNKT)
dan artikel media daring dari tahun 1991 hingga awal 2025, dengan total 112 data valid setelah
proses penyaringan. Metodologi yang digunakan adalah CRISP-DM, dengan tahapan business
understanding, data understanding, data preparation, modeling, evaluation, dan deployment.
Proses klasifikasi dilakukan menggunakan RapidMiner, dengan data terlebih dahulu melalui
proses pelabelan dan preprocessing, termasuk konversi atribut nominal dan tanggal ke bentuk
numerik. Hasil evaluasi model XGBoost menunjukkan akurasi sebesar 88,39%, dengan precision
dan recall tertinggi pada kelas risiko rendah (0,91 dan 0,94) serta risiko tinggi (0,88 dan 0,87).
Namun, performa untuk kelas risiko sedang masih tergolong rendah (precision 0,75 dan recall
0,68), mengindikasikan adanya potensi ketidakseimbangan data atau kurangnya fitur pembeda
yang kuat. Penelitian ini dapat memberikan kontribusi nyata dalam pengembangan sistem
klasifikasi risiko kecelakaan berbasis data sebagai bahan pertimbangan pengambilan keputusan
mitigasi risiko oleh pihak terkait.
Kata kunci: kecelakaan kereta api, klasifikasi, xgboost, machine learning, rapidminer

Application of Machine Learning Using XGBoost Algorithm in Classification

of the Number of Train Accident Victims in Indonesia

Selphia Nur Azzahra

Railway accidents in Indonesia, particularly at unguarded level crossings, remain a serious
problem that threatens lives and causes material losses. This study aims to classify the number of
railway accident victims into low, medium, and high-risk categories using the XGBoost algorithm.
The data used comes from official reports by the National Transportation Safety Committee
(KNKT) and online media articles from 1991 to early 2025, with a total of 112 valid data points
after filtering. The methodology used is CRISP-DM, with the following stages: business
understanding, data understanding, data preparation, modelling, evaluation, and deployment. The
classification process was conducted using RapidMiner, with the data first undergoing labelling
and preprocessing, including the conversion of nominal attributes and dates into numerical form.
The evaluation results of the XGBoost model showed an accuracy of 88.39%, with the highest
precision and recall in the low-risk class (0.91 and 0.94) and high-risk class (0.88 and 0.87).
However, the performance for the medium-risk class remains relatively low (precision 0.75 and
recall 0.68), indicating potential data imbalance or a lack of strong distinguishing features. This
research can provide a significant contribution to the development of a data-based accident risk
classification system as a basis for decision-making on risk mitigation by relevant parties.
Keywords: classification, machine learning, railway, rapidminer, xgboost