Implementasi Text Mining Dengan Tf-idf Untuk Klasifikasi Jenis Perbaikan Kendaraan Dan Evaluasi Akurasi Algoritma Machine Learning

Abstract

Pemeliharaan kendaraan menjadi salah satu aspek penting dalame menjamin kelancaran operasional layanan penyewaan kendaraan. PT Adi Sarana Armada merupakan perusahaan penyedia layanan penyewaan kendaraan yang perlu memastikan proses identifikasi jenis perbaikan kendaraan berjalan cepat, akurat, dan konsisten. Permasalahan yang muncul adalah deskripsi kerusakan pada Surat Perintah Kerja (SPK) bersifat tidak terstruktur dan bervariasi sehingga menyulitkan pengelompokan jenis perbaikan kendaraan. Penelitian ini bertujuan untuk membangun model klasifikasi berbasis text mining menggunakan pendekatan Term Frequency–Inverse Document Frequency (TF-IDF) untuk mengelompokkan jenis perbaikan kendaraan ke dalam tiga kategori perbaikan yaitu Perbaikan Berkala (PB), Perbaikan Berkala Tidak Teratur (PBTT), dan Adhoc. Metode yang digunakan meliputi pengumpulan data historis SPK, tahap preprocessing seperti cleaning data, case folding data, tokenize data, stopword data, dan stemming data. Kemudian transformasi data teks menjadi numerik dengan TF-IDF. Data dibagi menjadi data latih dan uji dengan rasio 80:20, lalu dilatih menggunakan tiga algoritma machine learning yaitu Naive Bayes, Logistic Regression, dan Random Forest. Evaluasi dilakukan menggunakan confusion matrix untuk menilai akurasi klasifikasi. Hasil penelitian menunjukkan bahwa Random Forest memiliki akurasi tertinggi yaitu 0,7549, Logistic Regression sebesar 0,7441, dan Naive Bayes sebesar 0,7351. Sehingga, model Random Forest dapat dikatakan model yang cocok untuk klasifikasi jenis perbaikan kendaraan. Sistem klasifikasi ini diharapkan dapat mendukung proses identifikasi jenis perbaikan kendaraan secara lebih cepat, objektif, dan konsisten sehingga meningkatkan efisiensi layanan perbaikan kendaraan.