Article Per Year (5 Year)
p-Index From 2020 - 2025
0.444
P-Index
This Author published in this journals
All Journal Journal of Innovation Research and Knowledge Jurnal Informatika Polinema (JIP)
Dhebys Suryani
Unknown Affiliation
Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Health Professions Law, Crime, Criminology & Criminal Justice Library & Information Science Social Sciences

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : Journal of Innovation Research and Knowledge

 1 
ANALISIS PREDIKTIF MENGGUNAKAN MACHINE LEARNING UNTUK MENANGGULANGI MASALAH REJECT PRODUK PADA PROSES PRODUKSI PT. XYZ Adevian Fairuz Pratama; Dhebys Suryani; Firgi Sotya Izzudin; Adzikirani, Adzikirani
Journal of Innovation Research and Knowledge Vol. 4 No. 5: Oktober 2024
Publisher : Bajang Institute

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53625/jirk.v4i5.8725

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
Co-Authors Adevian Fairuz Pratama Adzikirani, Adzikirani arif latifudin Firgi Sotya Izzudin Rokhimatul Wakhidah