Implementasi Algoritma Mesin Vektor Dukungan untuk Klasifikasi Hari Sibuk di Bengkel Motor Manggala
DOI:
https://doi.org/10.65371/metrokom.v2i2.119Kata Kunci:
Mesin Vektor Dukungan, Klasifikasi Biner, Hari Sibuk, Bengkel Motor Manggala, Google ColabAbstrak
Penelitian ini membahas masalah lonjakan pelanggan yang tidak terduga di Bengkel Motor Manggala, yang sering menyebabkan antrean panjang, alokasi sumber daya yang tidak efisien, dan penurunan kualitas layanan. Untuk mengatasi masalah ini, algoritma Support Vector Machine (SVM) diterapkan untuk mengklasifikasikan hari kerja menjadi dua kategori: sibuk dan tidak sibuk. Set data terdiri dari 400 titik data simulasi yang dirancang untuk mewakili kondisi operasional bengkel yang sebenarnya dengan memasukkan atribut seperti hari, cuaca, promosi, liburan, jumlah pemesanan, dan jumlah kendaraan. Proses pengumpulan data dilakukan melalui simulasi berdasarkan kapasitas layanan rata-rata dan faktor eksternal yang biasanya mempengaruhi kedatangan pelanggan. Sebelum pemodelan, langkah-langkah prapemrosesan dilakukan, termasuk one-hot encoding untuk fitur kategorikal dan normalisasi untuk fitur numerik. Dataset kemudian dibagi menjadi 80% data pelatihan (320 entri) dan 20% data uji (80 entri). Menggunakan kernel linier, model SVM diimplementasikan di Google Colab dengan perpustakaan Scikit-learn. Hasil menunjukkan akurasi 96,25%, dengan skor presisi dan recall yang tinggi pada kedua kelas. Temuan ini menunjukkan bahwa SVM efektif untuk klasifikasi biner hari sibuk dan tidak sibuk, memungkinkan Manggala Motor Workshop untuk mengoptimalkan penjadwalan teknisi, mengelola beban kerja, dan mengalokasikan sumber daya secara lebih efisien, sehingga meningkatkan kualitas layanan dan kepuasan pelanggan.
Referensi
Alexsander, Ahmad Nazri, Rio Agus Panbudi, & Junadhi. (2024). Implementasi Algoritma SVM dalam Memprediksi Penyakit Stroke. Journal Zetroem, 6(2), 1–5. https://doi.org/10.36526/ztr.v6i2.3676
Almunthaza, R., Abdullah, D., & Darmi, Y. (2024). Perancangan Aplikasi Pencarian Bengkel Mobil Dengan Implementasi Algoritma Location Based Service Di Kota Bengkulu. Jurnal Media Infotama, 20(1), 350–354.
Anggraini, J., & Alita, D. (2024). Implementasi Metode SVM Pada Sentimen Analisis Terhadap Pemilihan Presiden (Pilpres) 2024 Di Twitter. Jurnal Informatika: Jurnal Pengembangan IT, 9(2), 102–111. https://doi.org/10.30591/jpit.v9i2.6560
Budiantoro, H., Sumijan, & Hendrik, B. (2024). Implementasi SVM dan KNN pada Sistem Penunjang Keputusan Kenaikan Pangkat Guru. Jurnal KomtekInfo, 11(4), 380–389. https://doi.org/10.35134/komtekinfo.v11i4.588
Ditami, G. R., Ripanti, E. F., & Sujaini, H. (2022). Implementasi Support Vector Machine untuk Analisis Sentimen Terhadap Pengaruh Program Promosi Event Belanja pada Marketplace. Jurnal Edukasi Dan Penelitian Informatika (JEPIN), 8(3), 508. https://doi.org/10.26418/jp.v8i3.56478
Eka Patriya, E. (2020). Implementasi Support Vector Machine Pada Prediksi Harga Saham Gabungan (Ihsg). Jurnal Ilmiah Teknologi Dan Rekayasa, 25(1), 24–38. https://doi.org/10.35760/tr.2020.v25i1.2571
Epriliani, L., Mayadi, & Pamungkas, R. W. P. (2022). Implementasi Algoritma Naïve Bayes Untuk Memprediksi Kerusakan Sepeda Motor Pada Bengkel Citra Djaya Motor. Journal of Informatic and Information Security, 3(1), 59–72. https://doi.org/10.31599/jiforty.v3i1.1268
Jalil, A., Homaidi, A., & Fatah, Z. (2024). Implementasi Algoritma Support Vector Machine Untuk Klasifikasi Status Stunting Pada Balita. G-Tech: Jurnal Teknologi Terapan, 8(3), 2070–2079. https://doi.org/10.33379/gtech.v8i3.4811
Lumbanraja, F. R., Saputra, R. A., Muludi, K., Hijriani, A., & Junaidi, A. (2021). Implementasi Support Vector Machine Dalam Memprediksi Harga Rumah Pada Perumahan Di Kota Bandar Lampung. Jurnal Pepadun, 2(3), 327–335. https://doi.org/10.23960/pepadun.v2i3.90
Muttaqien, D. D., & Hartono, P. P. (2022). Implementasi Support Vector Machine pada Analisis Sentimen mengenai Bantuan Sosial di Era Pandemi Covid-19 pada Pengguna Twitter. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 6(1), 163–171. https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/10396
Nugroho, B. A., Pradana, A. K. A., & Nurfarida, E. (2021). Prediksi Waktu Kedatangan Pelanggan Servis Kendaraan Bermotor Berdasarkan Data Historis menggunakan Support Vector Machine. Jurnal Edukasi Dan Penelitian Informatika (JEPIN), 7(1), 25. https://doi.org/10.26418/jp.v7i1.42964
Oktafani, M., & Prasetyaningrum, P. T. (2022). Implementasi Support Vector Machine Untuk Analisis Sentimen Komentar Aplikasi Tanda Tangan Digital. Jurnal Sistem Informasi Dan Bisnis Cerdas, 15(1), 10–19. https://doi.org/10.33005/sibc.v15i1.4
Prasetyo, T., Adhyaksa Waskita, A., Taryo, T., Raya Puspitek, J., & Pamulang Kota Tangerang Selatan, K. (2025). Analisis Sentimen Pengguna Seputar Kendaraan Listrik Di Twitter Dengan Penerapan Algoritma Naïve Bayes, KNN, dan Decision Tree untuk Klasifikasi. Jurnal Sistem Komputer Dan Kecerdasan Buatan, VIII(2), 108–117. www.dataindonesia.com,
Rifki, M. I., Ikhsan, M., Nasution, R. H., & Handira, D. (2022). Analysis of Wlan Network Handover Performance Using Rssi and Threshold on Mobile Devices. JURNAL INFOKUM, 10(4), 146–156. http://infor.seaninstitute.org/index.php/infokum/index
Sagala, J. R., Hasugian, P. S., Kumar, P., & Aispriyani, A. (2024). Pengembangan Model Predictive Maintenance Untuk Kendaraan Menggunakan Algoritma Pembelajaran Mesin. Jurnal Sistem Informasi Dan Teknologi Jaringan, 2, 37–41. https://doi.org/10.63703/sisfotekjar.v5i2.53
Setyawan, M. F., Devgan Oktawijaya, J., & Agustin, S. (2024). Implementation of SVM in Soil Type Classification Using RGB Features. Jurnal Ilmiah SISFOTENIKA, 14(2), 175–184. https://stmikpontianak.org/ojs/index.php/sisfotenika
Tang, W. (2024). Application of support vector machine system introducing multiple submodels in data mining. Systems and Soft Computing, 200096. https://doi.org/10.1016/j.sasc.2024.200096
Wulandari, R. F. T., & Anubhakti, D. (2021). Implementasi Algoritma Support Vector Machine (Svm) Dalam Memprediksi Harga Saham Pt. Garuda Indonesia Tbk. INDONESIA JOURNAL INFORMATION SYSTEM (IDEALIS), 4(2), 250–256. https://doi.org/10.36080/idealis.v4i2.2847
