<![CDATA[Abstrak : Perkembangan teknologi sistem informasi banyak dirasakan di setiap sector ekonomi. PT X merupakan perusahaan manufaktur di bidang percetakan, dimana produktivitas dipengaruhi dari efisiensi mesin. Optimasi produktivitas mesin dapat dilakukan dengan prediktif maintenance. Penelitian ini bertujuan untuk mengembangkan teknik data mining dalam prediktif kerusakan mesin produksi. Fokus utama penelitian adalah untuk mengklasifikasi kerusakan mesin berdasarkan data historis pada PT X. Model klasifikasi yang akan dikembangkan menggunakan algoritma model Naïve Bayes dan Decision Tree. Dalam klasifikasi ada 2 label keputusan yaitu tingkat resiko (tinggi, sedang rendah) dan kegiatan preventif (Ya,Tidak) Evaluasi dilakukan dengan menilai akurasi dan efektivitas setiap model. Hasil uji klasifikasi preventif dengan model Naïve Bayes memiliki nilai akurasi 97,90 %, sedangkan dengan model Decision Tree memiliki nilai akurasi 77%. Hasil uji klasifikasi tingkat resiko dengan model Naïve Bayes nilai akurasi 98% sedangkan dengan model Decision Tree nilai akurasinya 100%. hasil uji menunjukan untuk label preventif dengan 2 kelas lebih baik menggunakan model Naïve Bayes sedangkan label tingkat resiko dengan 3 kelas lebih baik menggunakan model Decision Tree. Hasil uji ini dapat dijadikan acuan Perusahaan X khususnya divisi maintenance dalam melakukan penjadwalan prediktif maintenance. Metode ini juga dapat diterapkan pada Perusahaan lain jika memiliki data historis kerusakan mesin, memiliki mesin dengan jenis operasional yang relevan, dan memiliki tujuan dan klasifikasi yang sesuai.===================================================Abstract :The advancement of information system technology has significantly impacted all economic sectors. PT X, a manufacturing company in the printing industry, experiences productivity fluctuations that are strongly influenced by machine efficiency. Optimizing machine productivity can be achieved through predictive maintenance. This study aims to develop data mining techniques for predicting machine failures in production. The primary focus is to classify machine failures based on historical data from PT X. The classification models employed are the Naïve Bayes algorithm and the Decision Tree algorithm. Two classification labels are used: risk level (high, medium, low) and preventive action (Yes, No). Evaluation was conducted by measuring the accuracy and effectiveness of each model. The classification results for the preventive action label showed that the Naïve Bayes model achieved an accuracy of 97.90%, while the Decision Tree model reached 77%. For the risk level label, the Naïve Bayes model achieved 98% accuracy, and the Decision Tree model achieved 100%. The findings indicate that the Naïve Bayes model is more suitable for binary classifications such as preventive actions, while the Decision Tree model performs better in multi-class classifications such as risk levels. These results can serve as a reference for PT X’s maintenance division in scheduling predictive maintenance. Moreover, the method can be applied to other companies, provided they have historical machine failure data, machines with similar operational characteristics, and compatible classification objectives]]>
