PENERAPAN METODE NAIVE BAYES CLASSIFICATION UNTUK PENENTUAN KELAS ON TIME KESESUAIAN WAKTU JOB ORDER PERBAIKAN KOMPONEN ALAT BERAT (Studi Kasus: PT. Komatsu Remanufacturing Asia Cabang Balikpapan)

Syamsul Bahri, Dr. Azhari SN, Drs., MT.

2014 | Tesis | S2 Ilmu Komputer

Setiap perusahaan manufaktur yang bergerak dalam sistem job order dengan jaringan yang luas menyadari pentingnya pelayanan yang memenuhi persyaratan konsumen untuk memenangkan persaingan pasar, penjadwalan merupakan unsur penting didalam pemenuhan pesanan (order) tepat waktu. Akan tetapi pembengkakan jumlah data job order yang dimiliki perusahaan tidak diikuti dengan peningkatan kemampuan dari perusahaan untuk mengklasifikasi kemungkinan apakah penyelesaian job order dapat ditangani on time atau tidak. Oleh karena itu solusi yang dapat dilakukan adalah dengan teknik data mining. Teknik data mining digunakan dalam penelitian ini untuk klasifikasi ketepatan waktu penyelesaian job order perbaikan komponen alat berat dengan menerapkan algoritma Naive Bayes Classification. Algoritma ini merupakan salah satu algoritma klasifikasi dalam data mining yang mengacu pada teorema Bayes yang sederhana namun memiliki akurasi tinggi. Data job order awal yang telah dipreprocessing, diproses menggunakan algoritma naive bayes untuk membangun model, lalu model tersebut digunakan untuk mengklasifikasi data job order baru ke dalam kelas on time atau tidak on time. Teknik pengujian akurasi model diukur menggunakan 10-fold cross validation, dan menunjukkan bahwa nilai akurasi terkecil 88,12% dihasilkan pada sampel data 5000, dan menghasilkan nilai akurasi terbesar 95,80% pada sampel data 1000. Hasil pengujian dengan perangkat lunak Rapid Miner 5.3 menggunakan metode naive bayes diperoleh nilai akurasi terkecil 97,17% dengan sampel sebanyak 30000 dan nilai akurasi tertinggi 100% dengan sampel sebanyak 200. Sedangkan untuk metode SVM diperoleh nilai akurasi terkecil 92,20% dengan sampel sebanyak 500 dan nilai akurasi tertinggi 99,22% dengan sampel sebanyak 5000.

Every manufacturing companies that moves in the job order system with a wide network realizes the importance of customer service that meets the requirements to win the market competition, scheduling is an important element in the fulfillment of orders (order) on time. However, swelling of the amount of data a company has a job order is not followed by an increase in the ability of the company to classify the likelihood that completion of job order can be handled on time or not. Therefore the solution is to do with data mining techniques. Data mining techniques used in this study for classification timeliness of completion of job order repairs heavy equipment components by applying a Naive Bayes Classification algorithm. This algorithm is a classification algorithm in data mining refers to the Bayes theorem is simple but has a high accuracy. Preprocessed initial-job order data, processed using Naive Bayes algorithm to construct the model, then the model is used to classify the data into a new job order class on time or not on time. Testing techniques the accuracy of the model was measured by 10-fold cross validation, and shows that the smallest value of accuracy is 88.12% produced in the 5000 data sample, and produces the largest value of accuracy 95.80% on a data sample of 1000. The test results with Rapid Miner 5.3 software using Naive Bayes method obtained the smallest values of accuracy 97.17% with a sample of 30000 and 100% the value of the highest accuracy with a sample of 200. And for the method of SVM obtained the smallest value is 92.20% accuracy with sample 500 and the highest accuracy is 99.22% with a sample of 5000.

Kata Kunci : akurasi, naive bayes, data mining, klasifikasi, preprocessing, job order, svm, ketepatan waktu