Pemodelan Prediktif Ultimate Tensile Strength pada Aluminum Wire Rod: Evaluasi MLR, XGBoost, dan FNN

Yaqin, Moh. Nazib Abdulloh
Prasetyo, Agung

Journal of Electronics and Instrumentation
Vol. 3 No. 1 (2026)

Ultimate Tensile Strength (UTS) merupakan salah satu parameter kunci dalam evaluasi kualitas aluminum wire rod (batang kawat aluminum), di mana variasi kecil pada kondisi proses dapat menghasilkan perubahan signifikan pada sifat mekaniknya. Pengendalian proses yang akurat memerlukan model prediktif yang mampu menangkap hubungan linear maupun non-linear antara parameter proses dan respons material. Penelitian ini bertujuan membangun dan membandingkan performa tiga model prediksi yaitu Multiple Linear Regression (MLR), Extreme Gradient Boosting (XGBoost), dan Feedforward Neural Network (FNN) untuk mengestimasi UTS berdasarkan tiga variabel proses utama yaitu suhu casting, kecepatan rolling, dan laju pendinginan. Dataset sintetik berjumlah 10.000 sampel digunakan sebagai dasar analisis. MLR dilatih tanpa feature engineering maupun data balancing untuk mengevaluasi kemampuan dasar model linear. Sebaliknya, FNN dan XGBoost memanfaatkan sembilan fitur hasil feature engineering (interaksi dan kuadratik), serta teknik balancing berupa extreme oversampling dan middle undersampling untuk memperbaiki representasi data ekstrem. Optimasi hiperparameter pada FNN dan XGBoost dilakukan menggunakan Bayesian optimization (Optuna), dan seluruh model dievaluasi menggunakan R², RMSE, MAE, analisis residual, serta cross-validation 5-fold. Hasil penelitian menunjukkan bahwa XGBoost menghasilkan performa paling unggul dengan R² = 0,8798, RMSE = 4,2976 MPa, dan MAE terendah di antara ketiga model. XGBoost juga menjadi satu-satunya model yang mampu memprediksi nilai UTS ekstrem secara konsisten. FNN memberikan performa menengah dengan peningkatan signifikan setelah feature engineering dan data balancing, tetapi tetap memiliki keterbatasan pada data ekstrem. MLR menunjukkan performa terendah akibat ketidakmampuan menangkap hubungan non-linear dan sensitivitas terhadap distribusi data. Secara keseluruhan, hasil ini menunjukkan bahwa XGBoost memiliki kapabilitas paling kuat dalam memodelkan perilaku UTS aluminum wire rod dan berpotensi diimplementasikan sebagai sistem pendukung keputusan pada proses produksi.