<![CDATA[Produksi barang casting (coran) merupakan proses manufaktur yang penting dalam berbagai industri, termasuk otomotif, konstruksi, dan banyak lainnya. Dalam proses produksi casting hal yang paling krusial adalah mengenai kualitas produk. Maka, dalam mengindentifikasi defect atau cacat pada produk adalah kunci untuk menghindari kerugian besar pada perusahaan, serta hal yang paling utama adalah menjaga kepuasan pelanggan. Karena pada era industri saat ini persaingan antar perusahaan industri semakin ketat, maka perusahaan harus mampu menghasilakan produk dengan kualitas terbaik agar tidak tertinggal dalam persaingan industri saat ini. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan metode prediksi defect produk casting menggunakan algoritma Support Vector Machine (SVM) dengan dua jenis kernel, yaitu Radial Basis Function (RBF) dan Linear. Pada penelitian ini mengumpulkan data kualitas produk casting yang sebelumnya berbentuk gambar diubah menjadi numerik agar dapat diklasifikasi dengan akurat menggunakan metode algoritma SVM. Data tersebut kemudian dibagi menjadi dua kelompok, yaitu data pelatihan (training data) dan data pengujian (testing data). Algoritma SVM dengan kernel RBF dan kernel Linier diterapkan pada data pelatihan untuk menghasilkan model prediksi. Hasil penelitian menunjukkan bahwa algoritma SVM dengan kernel RBF dan kernel Linier dapat digunakan untuk memprediksi defect produk casting. Namun, penggunaan kernel RBF cenderung memberikan kinerja yang lebih baik dalam memodelkan pola cacat dalam produk casting. Model prediksi yang dihasilkan mampu mengidentifikasi kemungkinan cacat dalam produk casting dengan tingkat akurasi yang memuaskan. Secara keseluruhan penelitian ini memberikan kontribusi penting dalam meningkatkan kualitas produksi dalam industri casting dengan mengimplementasikan algoritma SVM untuk prediksi defect. Dengan demikian, industri dapat mengurangi risiko cacat produk, kerugian yang signifikan, serta mampu bertahan di era persaingan industri saat ini.]]>
Copyrights © 2023
