The Implementation of Neighbor’s K-Nearest Algorithm for Mixer Truck Damage Prediction with CRISP-DM Approach
Implementasi Algoritma K-Nearest Neighbor untuk Prediksi Kerusakan Truk Mixer dengan Pendekatan CRISP-DM
DOI:
https://doi.org/10.21070/ups.1473Keywords:
K-NN, CRISP-DM, Maintenance, PredictionAbstract
PT. Varia Usaha Beton is a company engaged in the industry of cement products which has long supplied products to various large-scale projects. In production activities, the use of supporting equipment in the form of mixer trucks often experiences breakdowns so that it affects the supply of spare parts and other consequences. Based on company policy, the monthly mixer truck reliability target is 90% of the available units, but due to the many damages that occur both scheduled and unscheduled, the reliability obtained is only 60%. The purpose of this study was to predict the amount of damage caused to mixer trucks in the future by machine learning-based modeling using the K-NN algorithm and the CRISP-DM approach. The results obtained from testing four variations of the dataset used with k=20 obtained the best accuracy in the training data of 90% with an accuracy value of 83% and error of 17%.
Downloads
References
C. Dhaniel, M. Pamadi, dan A. Savitri, “Pengelolaan Proyek Pembangunan Perumahan The Icon Menggunakan Manajemen Konstruksi di Masa Pandemi Covid-19,” vol. 5, hal. 548–557, 2022.
A. M. Liang dan Koespiadi, “Pengaruh Mutu Material Beton Terhadap Efisiensi Biaya Pembangunan Gedung Bertingkat,” vol. 3, hal. 1–8, 2019.
M. H. A. Sarwandy dan N. Royan, “Produktivitas Alat Berat Excavator Backhoe Pada Proyek Perumahan Al Zafa Tegal Binangun Kota Palembang,” hal. 121–125.
K. Lorosae, A. I. Sembiring, dan S. Debataraja, “Analisa Produktivitas Alat Berat Pada Pekerjaan Beton Ready Mix Studi Kasus Bangunan Pelimpah Bendungan Lau Simeme,” vol. 11, no. 1, hal. 95–111, 2023.
A. A. W. P. R, F. Rozi, dan F. Sukmana, “Prediksi Penjualan Produk Unilever Menggunakan Metode K-Nearest Neighbor,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 6, no. 1, hal. 155–160, 2021, doi: 10.29100/jipi.v6i1.1910.
T. Jaelani, M. Yamin, dan C. P. Mahandari, “Machine Learning untuk Prediksi Produksi Gula Nasional,” JMPM (Jurnal Mater. dan Proses Manufaktur), vol. 6, no. 1, hal. 31–36, 2022, doi: 10.18196/jmpm.v6i1.14897.
F. M. Subqi dan D. Anggraini, “Data Mining untuk Pemeliharaan Prediktif Mesin Produksi Berdasarkan Database Kerusakan Mesin Menggunakan Naïve Bayes Classifier,” J. Ilm. Komputasi, vol. 20, no. 2, hal. 143–154, 2021, doi: 10.32409/jikstik.20.2.368.
M. N. Maskuri, Harliana, K. Sukerti, dan R. M. H. Bhakti, “Penerapan Algoritma K-Nearest Neighbor (KNN) untuk Memprediksi Penyakit Stroke,” J. Ilm. Intech Inf. Technol. J. UMUS, vol. 4, no. 1, hal. 130–140, 2022.
M. A. Hasanah, S. Soim, dan A. S. Handayani, “Implementasi CRISP-DM Model Menggunakan Metode Decision Tree dengan Algoritma CART untuk Prediksi Curah Hujan Berpotensi Banjir,” J. Appl. Informatics Comput., vol. 5, no. 2, hal. 103–108, 2021, doi: 10.30871/jaic.v5i2.3200.
S. Saepudin, M. Muslih, dan Sihabudin, “Pemilihan Jurusan Dengan Metode K-Nearest Neighbor Untuk Calon Siswa Baru,” J. Rekayasa Teknol. Nusa Putra, vol. 5, no. 2, hal. 15–19, 2019.
I. G. Gusti, M. Nasrun, dan R. A. Nugrahaeni, “Rekomendasi Sistem Pemilihan Mobil Menggunakan K-Nearest Neighbor (KNN) Collaborative Filtering,” TEKTRIKA - J. Penelit. dan Pengemb. Telekomun. Kendali, Komputer, Elektr. dan Elektron., vol. 4, no. 1, hal. 26, 2019, doi: 10.25124/tektrika.v4i1.1846.
A. N. Utomo dan N. Lestari, “Deteksi Kerusakan Jalan Raya Menggunakan Algoritma K-NN (K-Nearest Neighbor),” vol. 10, no. 1, hal. 59–66, 2021.
Cumel, D. Zamri, Rahmaddeni, dan Syamsurizal, “Perbandingan Metode Data Mining untuk Prediksi Banjir dengan Algoritma Naive Bayes dan KNN,” SENTIMAS Semin. Nas. Penelit. dan …, hal. 40–48, 2022, [Daring]. Tersedia pada: https://journal.irpi.or.id/index.php/sentimas/article/view/353%0Ahttps://journal.irpi.or.id/index.php/sentimas/article/download/353/132
M. Y. R. Rangkuti, M. V. Alfansyuri, dan W. Gunawan, “Penerapan Algoritam K-Nearest Neighbor (KNN) dalam Memprediksi dan Menghitung Tingkat Akurasi Data Cuaca di Indonesia,” Hexagon, vol. 2, no. 2, hal. 11–16, 2021, doi: 10.36761/hexagon.v2i2.1082.
B. Y. A. Pratama dan H. A. Yuniarto, “Perancangan Proses Implementasi Machine Learning dalam Maintenance Management untuk Mencegah Derating,” J@ti Undip J. Tek. Ind., vol. 16, no. 2, hal. 134–142, 2021, doi: 10.14710/jati.16.2.134-142.
A. D. A. Putra dan S. Juanita, “Analisis Sentimen pada Ulasan Pengguna Aplikasi Bibit dan Bareksa dengan Algoritma KNN,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 8, no. 2, hal. 636–646, 2021, doi: 10.35957/jatisi.v8i2.962.
F. Hasanah, T. Suprapti, N. Rahaningsih, dan I. Ali, “Implementasi Algoritma K-Nearest Neighbor dalam Menentukan Buku Berdasarkan Peminatan,” J. Account. Inf. Syst., vol. 5, no. 1, hal. 102–111, 2022, doi: 10.32627/aims.v5i1.467.
P. Putra, A. M. H. Pardede, dan S. Syahputra, “Analisis Metode K-Nearest Neighbour (KNN) Dalam Klasifikasi Data Iris Bunga,” J. Tek. Inform. Kaputama, vol. 6, no. 1, hal. 297–305, 2022.
Ariyadi, “Klasifikasi Spesies Lebah Berbasis Data Citra dengan Metode Support Vector Machine,” J. Inov. Penelit., vol. 1, no. 6, hal. 1065–1070, 2020.
A. A. D. Halim dan S. Anraeni, “Analisis Klasifikasi Dataset Citra Penyakit Pneumonia menggunakan Metode K-Nearest Neighbor (KNN),” Indones. J. Data Sci., vol. 2, no. 1, hal. 01–12, 2021, doi: 10.33096/ijodas.v2i1.23.
M. Wahyudi, R. Buaton, dan H. Sembiring, “Diagnosa Gejala Kecanduan Game Online dengan Metode K-Nearest Neighbor,” Semin. Nas. Inform., vol. 6, no. 3, hal. 106–117, 2022.
M. F. Rilwanu, H. Taufikurachman, dan F. Huwaidi, “Penerapan Algoritma K-Nearest Neighbor untuk Mendeteksi Diabetes Berbasis Web Application,” vol. 3, no. 1, hal. 145–152, 2022.
M. A. Wiratama dan W. M. Pradnya, “Optimasi Algoritma Data Mining Menggunakan Backward Elimination untuk Klasifikasi Penyakit Diabetes,” vol. 11, hal. 1–12, 2022.
M. Fansyuri, “Analisa Algoritma Klasifikasi K-Nearest Neighbor Dalam Menentukan Akurasi Terhadap Kepuasan Pelanggan (Studi Kasus PT. Trigatra Komunikatama),” Humanika J. Ilmu Sos. Pendidikan, dan Hum., vol. 3, no. 1, hal. 29–33, 2020.
Downloads
Additional Files
Posted
License
Copyright (c) 2023 UMSIDA Preprints Server
This work is licensed under a Creative Commons Attribution 4.0 International License.
