View/Open

Author
Farasihan Afari,

Advisor
Tiara Shofi Edriani, S.Si., M.Si.
Dr. Rifky Fauzi, S.Si., M.Si.

Koleksi
Matematika

Publisher

Dalam dunia bisnis, menentukan prioritas pengadaan spare part di tengah keterbatasan sumber daya adalah suatu tantangan yang sering dihadapi. Spare part menjadi komponen prioritas utama karena selalu diperlukan dalam berbagai kegiatan produksi dan pemeliharaan Perusahaan. Oleh sebab itu dibutuhkan metode klasifikasi yang dapat mengelompokkan spare part berdasarkan prioritasnya. Pada penelitian sebelumnya, Naïve Bayes mampu mengelompokkan suatu objek kedalam kelas dengan memperhatikan probabilitas yang mungkin untuk masingmasing kelasnya. Tugas Akhir ini akan menerapkan klasifikasi Naïve Bayes pada 10.600 data spare part dengan 3 variabel fitur berupa frekuensi bulan pemakaian lebih dari 3 perbulannya, frekuensi bulan pemakaian dan jumlah penggunanya. Klasifikasi Naïve Bayes mendapatkan hasil akurasi yang baik, dengan rata-rata akurasi sebesar 95,90%. Untuk meningkatkan performa Naïve Bayes, akan dilakukan tuning Hyperparameter pada proses Laplace Smoothing. Hyperparameter akan ditentukan menggunakan Particle Swarm Optimization (PSO). Penerapan tuning Hyperparameter mampu meningkatan rata-rata akurasi klasifikasi menjadi 96,86%, yang menunjukkan bahwa model klasifikasi menjadi lebih baik dalam mengidentifikasi pola data dan mampu membuat pilihan yang tepat berdasarkan data yang diberikan dengan tingkat kesalahan yang kecil.

URI
https://repo.itera.ac.id/depan/submission/SB2407240028

Keyword
Spare part, Klasifikasi, Naïve Bayes, Tuning Hyper