Evaluasi Model Random Forest dengan Teknik SMOTE dan RUS untuk Klasifikasi Kerusakan Motor di Bengkel PLAVIX

Annahdli, Zacky Fahd
Pramudya, Elkaf Rahmawan

Jurnal Pendidikan dan Teknologi Indonesia
Vol 5 No 8 (2025): JPTI - Agustus 2025

Diagnosis kerusakan motor di bengkel konvensional masih sangat bergantung pada intuisi dan pengalaman subjektif mekanik, yang dapat menyebabkan inkonsistensi dan potensi kesalahan dalam penanganan kendaraan. Untuk mengatasi permasalahan tersebut, penelitian ini mengevaluasi kinerja algoritma Random Forest dalam mengklasifikasikan jenis kerusakan motor menggunakan dataset dari Bengkel PLAVIX. Data gejala diolah menggunakan Term Frequency-Inverse Document Frequency (TF-IDF), sedangkan fitur kategorikal dienkode dengan Label Encoding. Ketidakseimbangan data ditangani menggunakan Synthetic Minority Over-sampling Technique (SMOTE) dan Random Under-Sampling (RUS). Hasil menunjukkan bahwa Random Forest dengan SMOTE mampu meningkatkan akurasi dari 72,73% menjadi 77,27%, dengan peningkatan signifikan pada presisi sebesar 67,42%, serta recall sebesar 77,27% dan F1-Score sebesar 70,91% . Kombinasi SMOTE dan RUS juga memberikan keseimbangan yang lebih baik antara presisi dan recall. Studi ini membuktikan bahwa pendekatan machine learning dapat meningkatkan akurasi dan objektivitas diagnosis kerusakan motor, serta membantu bengkel dalam memberikan layanan perawatan kendaraan yang lebih andal dan efisien.