ANALISIS PREDIKTIF MENGGUNAKAN MACHINE LEARNING UNTUK MENANGGULANGI MASALAH REJECT PRODUK PADA PROSES PRODUKSI PT. XYZ

Authors

  • Adevian Fairuz Pratama Politeknik Negeri Malang
  • Dhebys Suryani Politeknik Negeri Malang
  • Firgi Sotya Izzudin Politeknik Negeri Malang
  • Adzikirani Adzikirani Politeknik Negeri Malang

Keywords:

Reject, keamanan dan kualitas, machine learning, XGBoost, MAPE

Abstract

PT. XYZ adalah perusahaan makanan dan minuman di Indonesia, terkenal dengan minuman isotoniknya yang menggantikan cairan tubuh saat aktivitas fisik. Produk ini populer di kalangan konsumen lokal dan internasional karena formulanya yang inovatif. PT. XYZ sangat menekankan kualitas, sehingga produk yang tidak memenuhi standar ketat, seperti tekanan botol, akan di-reject untuk memastikan keamanan dan kualitas. Penelitian ini menggunakan metode machine learning, khususnya XGBoost, untuk analisis prediktif. Data diambil dari mesin Liquid Nitrogen dan Bottle Pressure Detector, mencakup pressure bottle, temperatur tangki, sensor liquid nitrogen, dan lainnya pada tahun 2023. Data diolah dan dianalisis untuk memastikan kesesuaian dengan kebutuhan PT. XYZ dan kecocokan dengan metode XGBoost. Business Understanding mengidentifikasi tujuan bisnis dan dampak deteksi tekanan botol. Data Understanding dilakukan dengan Exploratory Data Analysis (EDA). Data dibagi menjadi 80% untuk training dan 20% untuk testing. Data Preparation melibatkan preprocessing untuk membersihkan duplikasi dan missing value. Modeling menggunakan algoritma XGBoost dengan parameter learning_rate sebesar 0.5, gamma sebesar 2, max_depth sebesar 6, n_estimators sebesar 100, colsample_bytree sebesar 0.4, subsample sebesar 0.7, reg_lambda sebesar 3, dan min_child_weight sebesar 1 terbukti terbaik. Evaluasi menunjukkan nilai MAPE 6.88% dan akurasi 93.12%. Prediksi menunjukkan jumlah reject sekitar 23 pada 1 Januari 2024 pukul 07:00, dan sekitar 22 pukul 08:00. Rekomendasi untuk penelitian selanjutnya adalah menggunakan lebih banyak data dan menggabungkan XGBoost dengan model machine learning lainnya

References

Afikah Agustiningsih, Y. F., and I. A. Kautsar, "Classification of Vacational High School Graduates’ Ability in Industry using Extreme Gradient Boosting (XGBoost), Random Forest And Logistic Regression: Klasifikasi Kemampuan Lulusan SMK di Industri Menggunakan Extreme Gradient Boosting (XGBoost), Random," Jurnal Teknik Informatika (JUTIF), pp. 977-985, 2023.

Ahmedbahaaaldin Ibrahem Ahmed Osman, A.-S., "Extreme gradient boosting (Xgboost) model to predict the groundwater levels in Selangor Malaysia," Ain Shams Engineering Journal, pp. 1545-1556, 2021.

Althof Thabibi, R. S., "PERBANDINGAN MODEL MULTIPLE LINEAR REGRESSION DAN DECISION TREE REGRESSION (STUDI KASUS: PREDIKSI HARGA SAHAM TELKOM, INDOSAT, DAN XL)," Jurnal Ilmiah Teknologi dan Rekayasa, pp. 78-92, 2023.

Benedictus V.B.P, R. R., "ANALISA PENCEGAHAN REJECT PADA PRODUKSI ROLL KARET DENGAN FAULT TREE ANALYSIS (FTA) DENGAN REKOMENDASI PERBAIKAN FAILURE MODE AND EFFECTS ANALYSIS (FMEA) DI PT. USTEGRA (USAHA TEHNIK GRAFIKA)," Jurnal Manajemen Industri dan Teknologi, pp. 25-37, 2021.

T. Chen and C. Guestrin, "XGBoost: A Scalable Tree Boosting System," ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 785-794, 2016.

D. Chicco, M. Warrens, and G. Jurman, "The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE, and RMSE in regression analysis evaluation," PeerJ Computer Science, 2021.

Dwika Ananda Agustina Pertiwi, T. M., and M. A. Muslim, "Prediksi Rating Aplikasi Playstore Menggunakan," Seminar Nasional Ilmu Komputer (SNIK 2020), 2020.

T. Fawcett, "An introduction to ROC analysis," Pattern Recognition Letters, vol. 27, pp. 861–874, 2006.

J. Friedman, "GREEDY FUNCTION APPROXIMATION: A GRADIENT BOOSTING MACHINE," Annals of Statistics, pp. 1189-1232, 2001.

A. A. Hania, "Mengenal Artificial Intelligence, Machine," Jurnal Teknologi Indonesia, 2017.

I. Hanif, "Implementing Extreme Gradient Boosting (XGBoost) Classifier to Improve Customer Churn Prediction," Proceedings of the 1st International Conference on Statistics and Analytic, 2019.

I. Goodfellow and Y. B. Bengio, "Deep Learning," MIT Press, 2016.

J. Bergstra and Y. B. Bengio, "Random Search for Hyper-Parameter Optimization," Journal of Machine Learning Research, vol. 13, pp. 281-305, 2012.

B. Jange, "Prediksi Harga Saham Bank BCA Menggunakan XGBoost," Journal of Economics and Accounting, pp. 231-237, 2022.

I. M. Karo Karo, "Implementasi Metode XGBoost dan Feature Importance untuk Klasifikasi pada Kebakaran Hutan dan Lahan," Journal of Software Engineering, Information and Communication Technology, pp. 11-18, 2020.

R. Kohavi, "A Study of Cross-Validation and Bootstrap for Accuracy Estimation and Model Selection," Proceedings of the 14th International Joint Conference on Artificial Intelligence, pp. 1137-1143, 1995.

M. Ulfah Siregar, P. H., "Housing Price Prediction Using a Hybrid Genetic Algorithm with Extreme Gradient Boosting," The 2022 International Conference on Computer, Control, Informatics and Its Applications (IC3INA), 2022.

Pandika Pinata, N. N., M. Sukarsa, and N. D. Rusjayanthi, "Prediksi Kecelakaan Lalu Lintas di Bali dengan XGBoost pada Python," JURNAL ILMIAH MERPATI, 2020.

S. Dewi Sartika Syarifuddin, A. K., and S. RendyMunad, "Sistem Informasi Pengukuran Kadar Hemoglobin Non-Invasif Berbasis Android Menggunakan Algoritma Extreme Gradient Boosting," Komputika Jurnal Sistem Komputer, pp. 13-23, 2023.

A. A. Wahid, "Analisis Metode Waterfall Untuk Pengembangan Sistem Informasi," Jurnal Ilmu-ilmu Informatika dan Manajemen STMIK, 2020

Downloads

Published

2024-10-11

Issue

Section

Articles