Data Mining Untuk Sistem Prediksi Jam Operasional Alat Berat di PT. Sri Aneka Karyatama

Authors

  • Nurhadi Bin Hadi Nur Ilmu Komputer dan Rekayasa, Universitas Multi Data Palembang, Palembang, Indonesia
  • Dien Novita Ilmu Komputer dan Rekayasa, Universitas Multi Data Palembang, Palembang, Indonesia

DOI:

https://doi.org/10.38035/jemsi.v7i4.7578

Keywords:

Data Mining, Tren Parabola, Prediksi Jam Operasional, Alat Berat, Optimalisasi Pergudangan

Abstract

Penelitian ini mengembangkan sistem prediksi jam operasional alat berat menggunakan metode tren parabola dalam kerangka data mining di PT Sri Aneka Karyatama untuk mendukung perencanaan operasional pergudangan yang lebih terukur. Permasalahan pencatatan manual jam kerja forklift, wheel loader, dan payloader yang belum dimanfaatkan secara strategis mendorong penerapan pendekatan analitik prediktif berbasis data historis. Dataset operasional periode Januari 2024 hingga Oktober 2025 sebanyak 2.010 data melalui tahap preprocessing meliputi pembersihan duplikasi, konversi format waktu ke desimal, dan transformasi time indexing untuk membangun model regresi polinomial orde dua. Metode tren parabola dipilih karena kemampuannya menangkap pola non-linear melalui persamaan Ŷ = a + bX + cX² dengan estimasi parameter menggunakan metode least square. Evaluasi model menggunakan MAPE menghasilkan nilai 20,55 persen yang termasuk kategori cukup baik. Sistem ini memberikan manfaat berupa optimalisasi alokasi alat, penjadwalan operator, dan perencanaan maintenance preventif. Penelitian ini memberikan bukti empiris penerapan model tren parabola untuk prediksi jam operasional alat berat pada konteks pergudangan di Indonesia yang belum banyak dilaporkan pada penelitian sejenis.

References

Achmad, A. N. (2025). Forecasting Analysis Of Heavy Equipment Repair Services Using The Time Series Method At Pt Putra Jawamas. 8(2), 5490–5501.

Athaullah, Z., Munadi, M., Ariyanto, M., Jurusan, M., Mesin, T., Teknik, F., Diponegoro, U., Jurusan, D., Mesin, T., Teknik, F., & Diponegoro, U. (2025). Predictive Maintenance Engine Health Monitoring System Pada Excavator Berbasis Machine Learning. 13(3), 251–256.

Baskoro, G., & Sahputra, I. (2025). Prescriptive Maintenance of Komatsu Dump Truck HD785-7 Using Naïve Bayes Classifier Under Full Maintenance Contract. 10(2), 120–134. https://doi.org/10.21831/dinamika.v10i2.89737

Chambi, N., Sanga, C., Ortiz, J., Sanga, A., Sanga, P., Manrique, R., & Lu-chang-say, J. (2025). Predictive Maintenance in Underground Mining Equipment Using Artificial Intelligence. 1–22.

Chandan, P., Das, A. P., Choudhury, S. S., & Annabattula, R. K. (2025). A DEM-driven machine learning framework for abrasive wear prediction.

Dian Alanudin, A. F. K. (2021). STRATEGI TRANSFORMASI DIGITAL DI ERA BIG DATA: PERAN TOE FRAMEWORK ADOPSI ANALITIK BISNIS, DAN RETENSI PENGETAHUAN. 32(3), 167–186.

Guerin, N., Nakhla, M., Dehoux, A., & Loyer, J. L. (2025). Deep learning for predicting hauling fleet production capacity under uncertainties in open pit mines using real and simulated data. August, 1–16.

Hafidhoh, N., Atmaja, A. P., Syaifuddiin, G. N., & Sumafta, I. B. (2024). Machine Learning untuk Prediksi Kegagalan Mesin dalam Predictive Maintenance System. 15(May). https://doi.org/10.14710/jmasif.15.1.63641

Jefri Junifer Pangaribuan, Fanny, Okky Putra Barus, R. (2023). Prediksi Penjualan Bisnis Rumah Properti dengan Menggunakan Metode Autoregressive Integrated Moving Average (ARIMA). Jurnal Sistem Informasi Bisnis, 13(2), 154–161. https://doi.org/10.21456/vol13iss2pp154-161

Kamila, A. R., Derhass, G. H., Andry, J. F., Lee, S., Budiyanto, V., & Anatasia, V. (2025). Predictive Maintenance of Heavy Equipment Machines using Neural Network Based on Operational Data. 11(2), 229–241.

Kannan, R., Abdul, A., Ramakrishnan, K., & Ismail, S. (2022). Machine learning approach for predicting production delays : a quarry company case study. Journal of Big Data. https://doi.org/10.1186/s40537-022-00644-w

Lukito Angga Prasakti, C. J. (2023). Penerapan Forecasting Menggunakan Metode Time Series Untuk Menentukan Proyeksi Sales di Perusahaan Manufacturing Furniture Lukito. Building of Informatics, Technology and Science (BITS), 4(4). https://doi.org/10.47065/bits.v4i4.2802

Narender, C., Mathiyalagan, P., Rao, B. D., Kannadhasan, S., & Suganya, M. (2025). Data Mining Techniques for Predictive Maintenance in Manufacturing Industries a Comprehensive Review. 05012, 1–9.

Priyo Ari wibowo, A. T. (2020). Perancangan Sistem Informasi Secara Real Time Untuk Analisis Operating Time Mesin. Jurnal Teknologika, 10(2), 59–64.

Radrigan, L., & Morales, A. S. (2024). Enhancing Predictive Maintenance in Mining Mobile Machinery through a TinyML-enabled. 1–22.

Rahmah, N. D. A. (2026). Machine Learning Methods for Forecasting Intermittent Tin Ore Production. 5(158), 644–650.

Rojas, L., & Peña, Á. (2025). AI-Driven Predictive Maintenance in Mining : A Systematic Literature Review on Fault Detection , Digital Twins , and Intelligent Asset Management.

Wahyudi, T., Arroufu, D. S., & Author, C. (2022). Implementation Of Data Mining Prediction Delivery Time Using Linear Regression Algorithm. 4(1), 84–92.

Wehbi, L., Bhulai, S., & Slik, J. (2026). Computers & Industrial Engineering Optimizing maintenance of heavy equipment : A data-driven approach. Computers & Industrial Engineering, 211(March 2025), 111645. https://doi.org/10.1016/j.cie.2025.111645

Zafra, A. (2022). Data mining in predictive maintenance systems : A taxonomy and systematic review (Issue May). https://doi.org/10.1002/widm.1471

Downloads

Published

2026-03-05

How to Cite

Bin Hadi Nur, N., & Dien Novita. (2026). Data Mining Untuk Sistem Prediksi Jam Operasional Alat Berat di PT. Sri Aneka Karyatama. Jurnal Ekonomi Manajemen Sistem Informasi, 7(4), 3080–3094. https://doi.org/10.38035/jemsi.v7i4.7578

Issue

Vol. 7 No. 4 (2026): Jurnal Ekonomi Manajemen Sistem Informasi (Maret - April 2026)

Section

Articles

License

Copyright (c) 2026 Nurhadi Bin Hadi Nur, Dien Novita

Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License.

Hak cipta :

Penulis yang mempublikasikan manuskripnya di jurnal ini menyetujui ketentuan berikut:

  1. Hak cipta pada setiap artikel adalah milik penulis.
  2. Penulis mengakui bahwa Jurnal Ekonomi Manajemen Sistem Informasi (JEMSI) berhak menjadi yang pertama menerbitkan dengan lisensi Creative Commons Attribution 4.0 International (Attribution 4.0 International CC BY 4.0) .
  3. Penulis dapat mengirimkan artikel secara terpisah, mengatur distribusi non-eksklusif manuskrip yang telah diterbitkan dalam jurnal ini ke versi lain (misalnya, dikirim ke repositori institusi penulis, publikasi ke dalam buku, dll.), dengan mengakui bahwa manuskrip telah diterbitkan pertama kali di Jurnal Ekonomi Manajemen Sistem Informasi (JEMSI).