TA: FORMULASI MODEL PREDIKSI KUALITAS MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS DAN ALGORITMA KLASIFIKASI PADA MULTI-STAGE MANUFACTURING SYSTEM
Total View This Week0
Total View This Week0
Institusion
Institut Teknologi Nasional Bandung
Author
Reza, Muhammad
Subject
Datestamp
2021-03-16 03:44:31
Abstract :
Kemampuan melakukan prediksi kualitas produk saat proses produksi berlangsung merupakan suatu keuntungan bagi suatu perusahaan manufaktur dalam menghadapi persaingan. Kenyataannya, formulasi model prediksi kualitas terutama pada sistem multi-stage manufacturing (MMS) merupakan suatu pekerjaan yang tidak sederhana dan memiliki tingkat kesulitan yang tinggi. Penelitian ini bertujuan untuk memformulasikan model prediksi kualitas dengan tingkat akurasi yang tinggi pada set data numerik dengan memperhatikan hubungan antar variabel dalam sistem multi-stage manufacturing. Dalam penelitian ini, dilakukan kombinasi principal component analysis (PCA) dan algoritma klasifikasi C4.5, naïve bayes dan random forest untuk mencari hasil dari algoritma terbaik. Dari ketiga algoritma tersebut, kemudian bandingkan berdasarkan nilai accuracy, f-measure dan g-mean. Performa terbaik didapatkan oleh kombinasi PCA dan random forest yang menghasilkan accuracy 0.96025, f-measure 0.96775 dan g-mean 0.969793. Kombinasi teknik ini menghasilkan size of the tree 145. Kombinasi teknik ini dapat direkomendasikan untuk memformulasikan model prediksi kualitas di MMS dengan atribut bertipe data numerik.
Kemampuan melakukan prediksi kualitas produk saat proses produksi berlangsung merupakan suatu keuntungan bagi suatu perusahaan manufaktur dalam menghadapi persaingan. Kenyataannya, formulasi model prediksi kualitas terutama pada sistem multi-stage manufacturing (MMS) merupakan suatu pekerjaan yang tidak sederhana dan memiliki tingkat kesulitan yang tinggi. Penelitian ini bertujuan untuk memformulasikan model prediksi kualitas dengan tingkat akurasi yang tinggi pada set data numerik dengan memperhatikan hubungan antar variabel dalam sistem multi-stage manufacturing. Dalam penelitian ini, dilakukan kombinasi principal component analysis (PCA) dan algoritma klasifikasi C4.5, naïve bayes dan random forest untuk mencari hasil dari algoritma terbaik. Dari ketiga algoritma tersebut, kemudian bandingkan berdasarkan nilai accuracy, f-measure dan g-mean. Performa terbaik didapatkan oleh kombinasi PCA dan random forest yang menghasilkan accuracy 0.96025, f-measure 0.96775 dan g-mean 0.969793. Kombinasi teknik ini menghasilkan size of the tree 145. Kombinasi teknik ini dapat direkomendasikan untuk memformulasikan model prediksi kualitas di MMS dengan atribut bertipe data numerik.
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
