Klasifikasi dan Penugasan Manpower untuk Pengkalibrasian Alat Laboratorium Industri menggunakan Metode Naive Bayes
Abstract
Perusahaan jasa pengkalibrasian alat-alat industri yang berlokasi didaerah Bekasi mengalami sebuah permasalahan, dimana terdapat beberapa complain dari customer dikarenakan terdapat delay dalam pengerjaan. Tujuan dari penelitian ini adalah untuk menemukan pembagian penugasan manpower secara merata antara laboratorium dan onsite, dimana dilakukan pegnklasifikasian dengan menggunakan Naive Bayes. Berdasarkan analisa klasifikasi aktual persentase pembagian manpowernya yaitu 51% untuk penempatan laboratorium dan 49% untuk pengerjaan onsite tanpa melihat dari persentase kompetensi personilnya. Setelah dilakukan rearrangement dengan menggunakan Naive Bayes dan Rapidminer, hasil pembagiannya berubah menjadi 56% untuk laboratorium dan 44% untuk onsite dimana diklasifikasi ulang berdasarkan nilai persentase kompetensi personilnya. Untuk personil dengan kompetensi diatas 82% diutamakan untuk melakukan kegiatan onsite. Dampak yang dihasilkan setelah adanya rearrangement ini yaitu terjadi perubahan dalam pembagian tugas dan alat customer menjadi cepat terkalibrasi
Full Text:
PDFReferences
Paduloh, T. Djatna, Sukardi, and Muslich, “Dynamic supplier selection strategy towards negotiation process in beef industry using K-means clustering,” IOP Conf. Ser. Earth Environ. Sci., vol. 443, no. 1, 2020, doi: 10.1088/1755-1315/443/1/012003.
A. S. Devi, I. K. G. D. Putra, and I. M. Sukarsa, “Implementasi Metode Clustering DBSCAN pada Proses Pengambilan Keputusan,” Lontar Komput. J. Ilm. Teknol. Inf., vol. 6, no. 3, p. 185, 2017, doi: 10.24843/lkjiti.2015.v06.i03.p05.
T. W. Dinsmore, Disruptive Analytics: Charting Your Strategy for Next-Generation Business Analytics. 2016. doi: 10.1007/978-1-4842-1311-7.
P. Paduloh, “Designing Model for Truck Assignment Problem in Beef Delivery Using DBSCAN Algorithm,” J. Eng. Sci. Res., vol. 1, no. 2, p. 65, 2020, doi: 10.23960/jesr.v1i2.26.
A. Aderhold, D. Husmeier, and M. Grzegorczyk, “Approximate Bayesian inference in semi-mechanistic models,” Stat. Comput., vol. 27, no. 4, pp. 1003–1040, 2017, doi: 10.1007/s11222-016-9668-8.
S. D. Purwanto and I. B. Santoso, “Sistem Identifikasi Kandungan Boraks pada Bakso Daging Sapi Berbasis Android Menggunakan Algoritma Naive Bayes Classifier,” Matics, vol. 9, no. 1, p. 33, 2017, doi: 10.18860/mat.v9i1.3954.
C. Fadlan, S. Ningsih, and A. P. Windarto, “Penerapan Metode Naïve Bayes Dalam Klasifikasi Kelayakan Keluarga Penerima Beras Rastra,” J. Tek. Inform. Musirawas, vol. 3, no. 1, p. 1, 2018, doi: 10.32767/jutim.v3i1.286.
H. Annur, “Klasifikasi Masyarakat Miskin Menggunakan Metode Naive Bayes,” Ilk. J. Ilm., vol. 10, no. 2, pp. 160–165, 2018, doi: 10.33096/ilkom.v10i2.303.160-165.
G. P. Kawani, “Implementasi Naive Bayes,” J. Informatics, Inf. Syst. Softw. Eng. Appl., vol. 1, no. 2, pp. 73–81, 2019, doi: 10.20895/inista.v1i2.73.
H. Mustofa and A. A. Mahfudh, “Klasifikasi Berita Hoax Dengan Menggunakan Metode Naive Bayes,” Walisongo J. Inf. Technol., vol. 1, no. 1, p. 1, 2019, doi: 10.21580/wjit.2019.1.1.3915.
T. Kusakabe, T. Tsubota, and A. Bhaskar, “Validation study of naïve Bayes probabilistic model for transit passengers’ trip purpose estimation : A case study exploiting detailed Brisbane household travel survey data,” Transp. Res. Board, no. January 2016, 2016.
M. M. Saritas, “Performance Analysis of ANN and Naive Bayes Classification Algorithm for Data Classification,” Int. J. Intell. Syst. Appl. Eng., vol. 7, no. 2, pp. 88–91, 2019, doi: 10.18201/ijisae.2019252786.
I. Candra Dewi, A. Andy Soebroto, and M. Tanzil Furqon, “Sistem Pakar Diagnosa Penyakit Sapi Potong Dengan Metode Naive Bayes,” J. Enviromental Eng. Sustain. Technol., vol. 2, no. 2, pp. 72–78, 2015, doi: 10.21776/ub.jeest.2015.002.02.2.
DOI: https://doi.org/10.35308/jmkn.v8i2.6134
Refbacks
- There are currently no refbacks.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.