Implementasi Algoritma Naive Bayes Pada Sistem Daily Report Gde (PT Geo Dipa Energi) Untuk Klasifikasi Kerusakan Peralatan

Imam Subekti; Nahar Mardiyantoro; Nulngafan Nulngafan

doi:10.69693/ijmst.v4i3.11940

Authors

Imam Subekti Universitas Sains Al-Qur'an
Nahar Mardiyantoro Universitas Sains Al-Qur'an
Nulngafan Nulngafan Universitas Sains Al-Qur'an

DOI:

https://doi.org/10.69693/ijmst.v4i3.11940

Keywords:

Naive Bayes, Daily Report, Klasifikasi Teks, Kerusakan Peralatan, TF-IDF, Macro F1-Score, Data Tidak Seimbang

Abstract

PT Geo Dipa Energi (Persero) sebagai perusahaan yang bergerak di bidang energi panas bumi memerlukan sistem pelaporan yang akurat untuk mendukung kegiatan pemeliharaan dan pengawasan peralatan pembangkit listrik. Tingginya volume laporan harian teknisi serta variasi deskripsi kerusakan menyebabkan proses identifikasi tingkat kerusakan secara manual menjadi kurang efisien dan berisiko menimbulkan keterlambatan analisis. Penelitian ini bertujuan mengimplementasikan algoritma Multinomial Naive Bayes pada sistem Daily Report Instrumentation and Control (I&C) untuk melakukan klasifikasi otomatis tingkat kerusakan peralatan ke dalam tiga kategori, yaitu Ringan, Sedang, dan Berat. Data yang digunakan berjumlah 4.408 entri laporan harian periode Juni 2022 hingga Mei 2025 yang diperoleh melalui studi literatur, observasi, wawancara, dan dokumentasi. Data teks diproses melalui tahapan case folding, tokenisasi, stopword removal, dan stemming, kemudian dibobotkan menggunakan Term Frequency-Inverse Document Frequency (TF-IDF) dengan kombinasi unigram dan bigram. Mengingat distribusi kelas yang tidak seimbang, data latih diseimbangkan menggunakan metode Random Oversampling sebelum dilatih dengan algoritma Naive Bayes. Evaluasi model menggunakan metrik akurasi, precision, recall, F1-Score, dan Macro F1-Score. Hasil pengujian menunjukkan model memperoleh akurasi sebesar 96,49% dan Macro F1-Score sebesar 0,82, melampaui target minimal 70% yang ditetapkan. Meskipun demikian, precision kelas Sedang tercatat rendah yaitu 0,33 akibat pergeseran decision boundary yang ditimbulkan oleh Random Oversampling berbasis replikasi identik, sehingga sistem lebih tepat digunakan sebagai alat bantu pendukung keputusan yang tetap memerlukan validasi teknisi. Sistem Daily Report berbasis website yang dikembangkan mampu meningkatkan efektivitas pengelolaan laporan pemeliharaan serta mendukung keandalan operasional pembangkit listrik di PT Geo Dipa Energi (Persero).

References

Aininnisa, F., & Nuryana, I. K. D. (2023). Rancang bangun helpdesk web application dengan klasifikasi jenis pelaporan menggunakan algoritma Naive Bayes (Studi kasus: PT Pelindo Daya Sejahtera). JINACS (Journal of Informatics and Computer Science), 5(2), 85–94.

Fitriani, R. D., Yasin, H., & Tarno, T. (2021). Penanganan klasifikasi kelas data tidak seimbang dengan Random Oversampling pada Naive Bayes (Studi kasus: Status peserta KB IUD di Kabupaten Kendal). Jurnal Gaussian, 10(1), 11–20.

Handayani, S., & Susanto, R. (2023). Klasifikasi laporan kerja berbasis teks menggunakan algoritma Naive Bayes. Jurnal Sistem Informasi, 19(1), 45–54.

Kadir, A. (2014). Pengenalan sistem informasi (Edisi revisi). Andi Offset.

Kadir, A. (2015). Pemrograman Python untuk pemula. Andi Offset.

Pardede, J., & Darmawan, D. (2025). Perbandingan algoritma stemming Porter, Sastrawi, Idris, dan Arifin & Setiono pada dokumen teks Bahasa Indonesia. Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), 12(1), 69–76.

Pressman, R. S. (2015). Software engineering: A practitioner's approach (8th ed.). McGraw-Hill Education.

Putra, R. A., Sartika, D., & Wijaya, H. (2021). Sistem prediksi risiko kerusakan mesin industri menggunakan Naive Bayes berbasis web. Jurnal Teknologi dan Sistem Informasi, 7(3), 210–218.

Rosa, A. S., & Shalahuddin, M. (2018). Rekayasa perangkat lunak terstruktur dan berorientasi objek. Informatika.

Saepudin, A., Faqih, A., & Dwilestari, G. (2024). Perbandingan algoritma klasifikasi Support Vector Machine, Random Forest dan Logistic Regression pada ulasan Shopee. Jurnal Tekno Kompak, 18(1), 178–192.

Septiani, D., & Isabela, I. (2022). Analisis Term Frequency Inverse Document Frequency (TF-IDF) dalam temu kembali informasi pada dokumen teks. SINTESIA: Jurnal Sistem dan Teknologi Informasi Indonesia, 1(2), 81–88.

Setiawan, M. D., & Eliyani. (2022). Pengembangan aplikasi helpdesk ticketing system dengan algoritma Multinomial Naive Bayes classifier. Jurnal Ilmiah FIFO, 14(2), 123–131.