Penelitian ini dilaksanakan di PT. Deqha Elcomindo dengan tujuan memitigasi risiko
kegagalan pada transformator melalui penerapan sistem pemeliharaan (maintenance)
yang lebih efektif. Selama ini, analisis data hasil pengujian transformator dilakukan
secara manual, yang rentan terhadap kesalahan interpretasi dan menimbulkan
ketidakkonsistenan dalam pelaporan. Untuk mengatasi permasalahan tersebut,
dikembangkan sistem informasi terintegrasi berbasis machine learning yang mampu
mempermudah pelaporan maintenance sekaligus memprediksi kondisi transformator
secara akurat. Penelitian ini menggunakan metodologi Cross-Industry Standard Process
for Data Mining (CRISP-DM) dengan data sintetis yang disusun berdasarkan standar
pengujian transformator serta data aktual tahun 2021–2023. Tiga algoritma machine
learning yang digunakan dalam pengembangan model adalah Decision Tree (DT),
Random Forest (RF), dan Support Vector Machine (SVM), dengan evaluasi performa
menggunakan confusion matrix. Hasil evaluasi menunjukkan bahwa algoritma Random
Forest memberikan performa terbaik dengan akurasi sebesar 71,50% dan presisi sebesar
68,60%, yang mencerminkan kemampuan model dalam mengklasifikasikan kondisi
transformator secara benar serta ketepatan dalam mendeteksi kondisi yang tidak normal
(Perlu Perawatan atau Gagal). Meskipun nilai akurasi dan presisi tersebut belum
tergolong sangat tinggi, capaian ini dapat dikatakan cukup baik mengingat tantangan
klasifikasi multi-kelas serta keterbatasan data aktual yang tersedia. Selain itu, hasil ini
memberikan dasar yang kuat untuk pengembangan sistem prediksi yang lebih andal ke
depannya. Dengan demikian, sistem informasi yang dikembangkan mampu membantu
teknisi dalam mengidentifikasi kondisi transformator secara lebih tepat, mengurangi
potensi kesalahan diagnosis, serta mendukung pengambilan keputusan perawatan yang
lebih cepat, efisien, dan andal.
Kata kunci: Transformator, Maintenance, Machine Learning, Decision Tree, Random
Forest, Support Vector Machine, Confusion Metrics