Sistem Inventaris untuk Manajemen Program Robotik dengan Prediksi Kondisi Komponen Menggunakan Naïve Bayes pada PT. Diginusa

Nadia Fasha; Agung Siswopranoto

doi:10.69693/jesa.v3i2.62

Authors

Nadia Fasha Universitas Pamulang
Agung Siswopranoto Universitas Pamulang

DOI:

https://doi.org/10.69693/jesa.v3i2.62

Keywords:

Sistem Inventaris , Manajemen Aset Robotik , Naïve Bayes , Prediksi Kondisi , Klasifikasi

Abstract

Penelitian ini bertujuan untuk merancang dan mengembangkan sistem inventaris berbasis web pada program edukasi robotik di PT. Diginusa (PT. Bangun Satya Wacana) menggunakan algoritma Naïve Bayes. Sistem ini diharapkan dapat memudahkan pemantauan kondisi serta kelayakan komponen robot secara efisien dan mengatasi tantangan manajemen inventaris manual yang tersebar di berbagai lokasi sekolah mitra. Metode penelitian yang digunakan meliputi pengumpulan data historis komponen, perancangan sistem informasi, pengembangan model klasifikasi Naïve Bayes untuk prediksi kondisi, serta implementasi aplikasi menggunakan HTML, CSS, dan JavaScript yang dijalankan pada peramban dengan penyimpanan data berbasis MySQL. Dataset sebanyak 34 record komponen dengan empat variabel masukan (lama penggunaan, total jam operasional, nilai vibrasi, dan frekuensi kerusakan) dikategorikan melalui binning dan dibagi secara seimbang menjadi 17 data latih dan 17 data uji. Kondisi komponen diklasifikasikan ke dalam tiga kelas, yaitu Layak Pakai, Perlu Perawatan, dan Rusak. Performa model dievaluasi menggunakan confusion matrix dengan hasil akurasi 100% pada data latih dan 82,35% pada data uji, dengan rata-rata presisi 0,833 dan recall 0,822. Hasil penelitian menunjukkan bahwa sistem mampu mengoptimalkan proses inventarisasi dan memberikan prediksi proaktif mengenai kondisi komponen sehingga mendukung pengambilan keputusan terkait perawatan, penggantian, serta pengadaan perangkat demi menunjang kelancaran program edukasi robotik.

Downloads

Download data is not yet available.

References

[1] I. R. Aulia, A. Hermawan, and D. Avianto, “Pendekatan Hybrid: Naïve Bayes dan Decision Tree untuk Prediksi Kerusakan Mesin pada Industri Manufaktur PT X,” IJAI (Indonesian Journal of Applied Informatics), vol. 9, no. 2, pp. 554–563, 2025, doi: 10.20961/ijai.v9i2.97905.

[2] E. Erni, K. Kamarudin, and W. Windarsyah, “Klasifikasi Stok Barang Menggunakan Naïve Bayes untuk Optimalisasi Persediaan Toko Ahmad Adam,” Jurnal Ilmiah Teknik Mesin, Elektro dan Komputer (JURITEK), vol. 5, no. 2, pp. 292–303, 2025, doi: 10.51903/juritek.v5i2.3907.

[3] I. T. Monowati and R. Setyadi, “Penerapan Algoritma Naïve Bayes dalam Memprediksi Pengusulan Penghapusan Peralatan dan Mesin Kantor,” Journal of Information System Research (JOSH), vol. 4, no. 2, pp. 483–491, 2023, doi: 10.47065/josh.v4i2.2674.

[4] A. P. Putra, N. T. Lapatta, and H. R. Ngemba, “Implementation of Naïve Bayes for Optimizing Asset Condition Classification in a Web-Based Information System,” Technomedia Journal (TMJ), vol. 10, no. 3, pp. 134–145, 2026, doi: 10.33050/tmj.v10i3.2273.

[5] G. Guntur and K. Kamarudin, “Penerapan Metode Naïve Bayes dengan Sistem Pakar dalam Mendiagnosa Kerusakan pada Mesin Mobil,” Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (JISTI), vol. 7, no. 1, pp. 177–186, 2024.

[6] J. Han, J. Pei, and H. Tong, Data Mining: Concepts and Techniques, 4th ed. Cambridge, MA, USA: Morgan Kaufmann/Elsevier, 2023.

[7] P. W. Rahayu, I. G. I. Sudipa, S. Suryani, A. Surachman, A. Ridwan, and I. G. M. Darmawiguna, Buku Ajar Data Mining. Sonpedia, 2024.

[8] F. Chinesta et al., A Gentle Introduction to Data, Learning, and Model Order Reduction, Studies in Big Data, vol. 174. Springer, 2025.

[9] C.-S. Yang, Building User Interfaces for Modern Web Applications: React Programming. PA-ADOPT, 2024.

[10] A. R. K. Maranto, Desain dan Pengembangan Web (HTML, CSS, dan JavaScript). Tangerang, Indonesia: Universitas Buddhi Dharma, 2023.

[11] U. Gandhi, “JavaScript and the Earth Engine API,” in Cloud-Based Remote Sensing with Google Earth Engine. Springer, 2024, pp. 3–17.

[12] Huawei Technologies Co., Ltd., Database Principles and Technologies – Based on Huawei GaussDB. Springer, 2023.

[13] A. P. Nicolau, K. Dyson, and D. Saah, “Accuracy Assessment: Quantifying Classification Quality,” in Cloud-Based Remote Sensing with Google Earth Engine. Springer, 2024, pp. 135–145.

[14] M. Biehl, The Shallow and the Deep: A Biased Introduction to Neural Networks and Old School Machine Learning. Groningen, The Netherlands: University of Groningen, 2023.

[15] J.-C. Franchitti, Introduction to Computer Science. Houston, TX, USA: OpenStax, Rice University, 2026.

[16] M. Saqr, K. Misiejuk, S. Tikka, and S. López-Pernas, “Artificial Intelligence: Using Machine Learning to Classify Students and Predict Low Achievers,” in Advanced Learning Analytics Methods. Springer, 2026, pp. 79–98.