Penerapan Data Mining untuk Consumer Safety Intelligence Melalui Algoritma Random Forest dalam Mendukung Strategi Mitigasi Risiko Recall Produk Konsumen

Recall produk konsumen merupakan instrumen regulasi yang krusial dalam melindungi masyarakat dari risiko cedera, kebakaran, maupun kematian akibat produk yang tidak memenuhi standar keselamatan. Lembaga pengawas seperti Consumer Product Safety Commission (CPSC) menerbitkan ribuan pengumuman recall setiap tahun, namun keterbatasan sumber daya pengawasan menuntut adanya mekanisme prioritisasi berbasis data untuk mengidentifikasi recall dengan tingkat keparahan (severity) tertinggi secara lebih cepat. Penelitian ini bertujuan menerapkan teknik data mining klasifikasi menggunakan algoritma Random Forest untuk membangun model prediksi severity_signal (sinyal keparahan) suatu kasus recall, sekaligus menghasilkan Consumer Safety Intelligence yang actionable bagi tim pengawasan dan manajemen risiko produk. Metodologi yang digunakan berbasis CRISP-DM (Cross-Industry Standard Process for Data Mining) dengan memanfaatkan dataset CPSC Product Recall Intelligence yang memuat 9.776 baris data recall dan 35 kolom atribut. Hasil pengujian model dengan pembagian data 80% data latih dan 20% data uji menunjukkan tingkat akurasi sebesar 61,30% dan nilai AUC-ROC (macro, one-vs-rest) sebesar 0,8066. Status pelaporan insiden (incidents), jumlah unit terdampak (units_numeric), serta negara asal produksi (manufactured_in) ditemukan sebagai indikator prediktif paling krusial. Berdasarkan temuan ini, direkomendasikan strategi pengawasan berbasis prioritas pada kategori hazard fire_burn_electrical serta penguatan sistem pelaporan insiden untuk meningkatkan ketajaman deteksi dini recall dengan risiko tinggi.