Pengembangan Sistem Rekomendasi Lokasi Bengkel Berdasarkan Penilaian Pengguna Menggunakan Integrasi Google Maps API

Risal Rusli, Ricard Aprian Pamean, Rismayani Rismayani, Angdy Erna — Thu, 24 Sep 2026 00:00:00 +0800

Permasalahan yang sering dialami pengendara adalah kesulitan menemukan bengkel ketika kendaraan mengalami kerusakan mendadak serta kebingungan dalam memilih bengkel yang sesuai dengan kebutuhan karena banyaknya pilihan pada Google Maps. Penelitian ini bertujuan mengembangkan sistem rekomendasi lokasi bengkel berbasis web untuk memberikan rekomendasi yang sesuai dengan preferensi pengguna. Metode yang digunakan adalah Collaborative Filtering dengan algoritma Cosine Similarity untuk menghitung tingkat kesamaan antar pengguna, sedangkan proses prediksi rating dilakukan menggunakan metode Weighted Sum berdasarkan bobot kesamaan tersebut. Dataset yang digunakan dalam penelitian ini diperoleh melalui Google Maps API dengan total 204 bengkel. Pengujian menggunakan MAE dilakukan pada tiga skenario dengan jumlah pengguna berbeda untuk mengevaluasi akurasi sistem serta mengukur selisih antara rating sebenarnya dan prediksi sistem, menghasilkan nilai 0,759 untuk 5 pengguna, 0,715 untuk 10 pengguna, dan 0,710 untuk 20 pengguna. Hasil menunjukkan bahwa metode yang diterapkan pada sistem ini memberikan rekomendasi dengan tingkat akurasi yang cukup baik.

Penerapan Metode Random Forest Regression Untuk Menganalisis Manajemen Stok Produksi Semen di PT. Semen Tonasa

Rismayani Rismayani, Sri Wahyuni, Sartin Bunga — Thu, 24 Sep 2026 00:00:00 +0800

Manajemen stok produksi semen merupakan aspek penting dalam mendukung kelancaran operasional dan distribusi pada unit packing plant. Ketidakseimbangan antara ketersediaan stok dan kebutuhan distribusi berpotensi menimbulkan kelebihan maupun kekurangan stok yang dapat memengaruhi efisiensi operasional. Penelitian ini bertujuan untuk menerapkan metode Random Forest Regression dalam memprediksi stok produksi semen serta menganalisis kondisi manajemen stok produksi pada Unit Packing Plant Bitung PT Semen Tonasa. Data yang digunakan merupakan data historis stok produksi semen selama dua tahun terakhir, yaitu tahun 2024 dan 2025. Metode penelitian meliputi pengolahan data, analisis eksploratif, pembangunan dan evaluasi model Random Forest Regression, analisis feature importance, serta prediksi stok produksi satu tahun mendatang. Evaluasi kinerja model dilakukan menggunakan metrik Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan koefisien determinasi (R²). Hasil penelitian menunjukkan bahwa model memiliki kinerja yang sangat baik dengan nilai MAE sebesar 4,60, RMSE sebesar 8,21, dan R² sebesar 0,9983. Analisis feature importance menunjukkan bahwa variabel total bag merupakan faktor yang paling dominan dalam memengaruhi stok produksi semen. Hasil prediksi menunjukkan adanya variasi nilai stok produksi antarperiode yang mencerminkan kondisi manajemen stok produksi yang dinamis.

DIPAKOMSI

Pengembangan Sistem Rekomendasi Lokasi Bengkel Berdasarkan Penilaian Pengguna Menggunakan Integrasi Google Maps API

Penerapan Metode Random Forest Regression Untuk Menganalisis Manajemen Stok Produksi Semen di PT. Semen Tonasa