Algoritma Machine Learning Dalam Melakukan Prediksi Pemilihan Konfigurasi Kapal Tunda  di Pelabuhan Tanjung Priok

Budi Tri Yulianto; Raden Muhammad Atok

doi:10.34148/teknika.v13i2.862

Budi Tri Yulianto Sekolah Interdisiplin Manajemen Teknologi, Institut Teknologi Sepuluh Nopember, Surabaya, Jawa Timur
Raden Muhammad Atok Departemen Aktuaria, Institut Teknologi Sepuluh Nopember, Surabaya, Jawa Timur

DOI: https://doi.org/10.34148/teknika.v13i2.862

Keywords: Pelabuhan, Kapal Tunda, Prediksi, Support Vector Machine, Naïve Bayes

Abstract

Pengoperasian pelabuhan secara dasar meliputi berbagai kegiatan pelayanan, salah satu proses pelayanan kegiatan di pelabuhan yaitu pelayanan pemanduan dan penundaan kapal. Salah satu langkah yang dibutuhkan dalam proses penetapan kapal tunda dalam pelayanan pemanduan dan penundaan kapal yaitu pemilihan konfigurasi Kapal Tunda. Penelitian ini menguji performa klasifikasi Support Vector Machine (SVM) dan Naïve Bayes Classifier (NBC) pada data Laporan Harian Gerakan Kapal (LHGK) di Pelabuhan Tanjung Priok selama periode 2021 untuk proses pemodelan dan evaluasi. Penelitian ini bertujuan untuk membuat modelan prediksi dalam penentuan konfigurasi Kapal Tunda, evaluasi hasil model prediksi untuk memilih konfigurasi kapal tunda di Pelabuhan Tanjung Priok. Dengan menerapkan model klasifikasi NBC dan SVM yang ditingkatkan dengan kernel Linier dan RBF, termasuk juga pemilihan fitur baik untuk SVM dan Naïve Bayes. Hasil uji perbandingan model prediksi antara SVM dan NBC menujukan bahwa klasifikasi SVM memberikan hasil yang paling optimal, yaitu menggunakan kernel linier pada nilai C=10, diperoleh akurasi sebesar 84,7%, recall sebesar 84,7%, F1-score sebesar 88,7%, dan akurasi sebesar 88,7%. Penelitian ini dimasa yang akan datang dapat dimanfaatkan dalam proses pengambilan keputusan dalam menentukan susunan konfigurasi Kapal Tunda oleh petugas pelabuhan.

Downloads

Download data is not yet available.

References

R. O. S. Gurning and E. Hariyadi, Manajemen Bisnis Pelabuhan, Surabaya: PT Andhika Prasetya Ekawahana, 2007.

W. S. Dong and P. M. Panayides, Maritime Logistic, 2 ed., Croydon: Kogan Page, 2015, p. 252.

T. Koukaki and A. Tei, "Innovation and maritime transport: A systematic review," Case Studies on Transport Policy, vol. 8, pp. 700-710, 2020.

S. Filom, A. M. Amiri and S. Razavi, "Applications of machine learning methods in port operations – A systematic literature review," Transportation Research Part E, vol. 161, pp. 1-30, May 2022.

I. d. l. P. Zarzuelo, M. J. F. Soeane and B. . L. Bermúdez, "Industry 4.0 in the port and maritime industry: A literature review," Journal of Industrial Information Integration, vol. 20, pp. 1-18, 2020.

J. Han and M. Kamber, Data Mining: Concepts and Techniques, vol. 2, Illionis: Morgan Kaufman, 2006.

Q. n. Li and T. h. Li, "Research on The Application of Naive Bayes and Supoort Vector Machine Alhorithm on exercises Classification," Juornal of Physics, pp. 1-6, 2020.

M. Asrol, P. Papilo and F. E. Gunawan, "Support Vector Machine with K-fold Validation to Improve the Industry’s Sustainability Performance Classification," International Conference on Computer Science and Computational intelligence, pp. 854-862, 2020.

L. Yu and H. Liu, "Feature Selection for High-Dimensional Data:," Proceedings of the Twentieth International Conference on Machine Learning (ICML-2003), pp. 856-863, 2003.

A. Arabameri, S. Saha, J. Roy, J. Tiefenbacher, A. Cerda, T. Biggs, B. Pradhan, P. T. T. Ngo and A. L. Collins, "A Novel Ensemble Computational Intelligence Approach For The Spatial," Science of the Total Environment, vol. 726, pp. 1-18, 2020.

Y. Bengio, "No Unbiased Estimator of the Variance of K-Fold Cross-Validation," Journal of Machine Learning Research 5, vol. 5, pp. 1089-1105, 2004.

C. Cortes and V. Vapnik , "Support-vector networks," Journal of Machine Learning Research, pp. 273-297, 1995.

Schölkopf, Bernhard, Smola and A.J, Learning with Kernels : Support Vector Machines, Regularization, Optimization and Beyond, Cambridge, MA: MIT Press, 2002.