📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 192 dokumenSISTEM INFORMASI NUTRISI DENGAN PENGENALAN GAMBAR MAKANAN BERBASIS CNN PADA PLATFORM SMART CANTEEN (STUDI KASUS: ITB GANESHA)
Kesadaran akan pentingnya informasi nutrisi di lingkungan kampus ITB terus meningkat, namun akses terhadap informasi tersebut masih terbatas. Penelitian ini, dengan menggunakan pendekatan Design Science Research Methodology (DSRM), bertujuan untuk merancang dan mengimplementasikan sebuah modul informasi nutrisi yang dapat diintegrasikan ke dalam platform Smart Canteen ITB Ganesha. Modul ini memanfaatkan arsitektur CNN custom dengan pendekatan klasifikasi dua tahap untuk menyediakan estimasi nutrisi secara otomatis dari gambar makanan. Tahap pertama adalah model deteksi makanan (biner), diikuti oleh model klasifikasi jenis makanan (multi-kelas). Sistem ini diimplementasikan menggunakan arsitektur three-tier yang terdiri dari React Native (frontend), Node.js (backend), dan TensorFlow.js untuk inferensi model. Model dilatih menggunakan dataset custom yang terdiri dari 12.203 gambar (11 kelas makanan dan 1 kelas non-makanan). Informasi nutrisi yang disajikan merupakan estimasi yang didasarkan pada data referensi dari Tabel Komposisi Pangan Indonesia dan USDA FoodData Central. Hasil evaluasi menunjukkan performa model yang sangat baik. Model tahap pertama mencapai akurasi 92,7% dengan AUC 0,979 untuk deteksi makanan, sementara model tahap kedua mencapai akurasi 84,36% untuk klasifikasi jenis makanan. Pengujian fungsional memvalidasi bahwa seluruh fitur inti sistem berjalan sesuai rancangan. Penelitian ini berhasil membuktikan bahwa pendekatan CNN bertingkat yang dirancang secara custom merupakan solusi yang efektif dan layak secara teknis untuk mengidentifikasi makanan dan menyajikan informasi nutrisi secara otomatis dalam ekosistem kantin kampus.
MENINGKATKAN MANAJEMEN PERSEDIAAN DENGAN MENGGUNAKAN MODEL PERAMALAN: KASUS PERUSAHAAN AFTERMARKET OTOMOTIF
Peramalan inventaris sangat penting untuk memastikan keberlanjutan bisnis, terutama di industri otomotif, di mana fluktuasi permintaan dapat berdampak signifikan terhadap efisiensi operasional dan kepuasan pelanggan. PT AAC, penyedia terkemuka cakram rem berkinerja tinggi untuk mobil, menghadapi tantangan dalam mempertahankan tingkat inventaris yang optimal untuk memenuhi permintaan pasar sekaligus meminimalkan biaya penyimpanan dan biaya inventaris. Tujuan penelitian ini adalah untuk mengembangkan model peramalan inventaris canggih yang disesuaikan dengan kebutuhan spesifik PT AAC, dengan mengintegrasikan data penjualan historis dan tren pasar untuk meningkatkan akurasi prediksi permintaan.Penelitian ini memanfaatkan model statistik seperti pemulusan eksponensial, penelitian ini berupaya menciptakan kerangka kerja prediktif yang beradaptasi dengan kondisi pasar yang dinamis. Penelitian ini berfokus pada perancangan strategi peramalan persediaan yang spesifik untuk PT AAC dengan mengintegrasikan riset pasar dan data penjualan historis. Berdasarkan analisis Pareto, delapan produk penting dipilih dari portofolio produk asli karena produk-produk tersebut menyumbang porsi penjualan terbesar dan, oleh karena itu, memiliki pengaruh terbesar terhadap perencanaan persediaan. Setelah menguji sejumlah model peramalan, hasil Mean Absolute Deviation, Mean Absolute Percentage Error, Mean Absolute Error, Mean Squarred Error, dan Tracking Signal menunjukkan bahwa pemulusan eksponensial dengan ? = 0,8 memiliki akurasi tertinggi. Untuk menciptakan sistem pengendalian persediaan yang lebih andal, pendekatan ini kemudian dikombinasikan dengan perhitungan Economic Order Quantity (EOQ), Safety Stock, dan Reorder Point (ROP). Dengan menggunakan metode ini, biaya persediaan berkurang sekitar 17% sebagai hasil dari peramalan permintaan dan perencanaan pengadaan yang lebih baik. Kesimpulan penelitian ini menawarkan saran praktis bagi PT AAC untuk manajemen lead time, pelacakan permintaan, dan penjadwalan pengadaan. Mereka juga dapat digunakan sebagai panduan oleh bisnis otomotif lain yang ingin meningkatkan kinerja inventaris.
PERANCANGAN SISTEM EVALUASI UNTUK PENGEMBANGAN PENGELOLAAN PELANGGAN USAHA MIKRO, KECIL, DAN MENENGAH (UMKM)
Usaha Mikro, Kecil, dan Menengah (UMKM) merupakan salah satu tulang punggung dari ekonomi di Indonesia. Namun, dari tahun ke tahun, banyak UMKM yang harus mengalami kegagalan dan menutup bisnisnya dalam waktu singkat. Banyak faktor yang memengaruhi hal tersebut, salah satunya adalah karena belum adanya sistem pengelolaan pelanggan yang diterapkan oleh UMKM untuk melakukan manajemen pelangannya. Hal tersebut terjadi karena UMKM terkadang belum memiliki kemampuan dan kapabilitas dalam membangun sistem pengelolaan pelanggan yang sesuai dengan kebutuhan bisnisnya. Untuk itu, dilakukan penelitian yang bertujuan untuk membangun suatu sistem yang dapat mengevaluasi pengelolaan pelanggan UMKM dengan mengidentifikasi area perbaikan, serta memberikan rekomendasi arah strategi pengeloalaan pelanggan yang terstruktur. Penelitian dilakukan dengan menyusun asesmen berbasis model Payne dan Gartner, yang kemudian diolah untuk menghasilkan analisis pengelolaan pelanggan. Asesmen akan diintegrasikan ke dalam sistem menggunakan Macro VBA sehingga dapat menghasilakn dashboard yang memuat tingkat maturitas, grafik importance-performance analysis, serta rekomendasi arah strategi untuk mengoptimalkan performansi. Hasil penelitian menunjukan bahwa rata-rata UMKM berada pada tingkat maturitas menengah, dengan kelemahan utama pada aspek kepemimpinan strategis, nilai umur pelanggan, kepuasan pelanggan, dan akses pelanggan. Secara keseluruhan, penelitian ini dilakukan dengan harapan dapat menghasilkan sistem evaluasi yang sederhana dan praktis untuk digunakan, serta menjadi pijakan awal bagi UMKM untuk mengembangkan strategi pengelolaan pelanggan yang lebih terarah dan berbasis data.
PERANCANGAN SISTEM AUTOMASI ANALITIK SURVEILANS PENYAKIT MENULAR DAN PERINGATAN DINI BERBASIS ANOMALI: STUDI KASUS DEMAM BERDARAH DENGUE DI KOTA BANDUNG
Sistem surveilans penyakit menular di Kota Bandung masih menghadapi tantangan, seperti pengolahan data manual, keterlambatan analisis, dan sistem peringatan dini yang reaktif. Tugas akhir ini merancang dan mengevaluasi prototipe sistem automasi analitik dan peringatan dini proaktif dengan studi kasus demam berdarah dengue, menggunakan metode Design Science Research Methodology (DSRM). Prototipe terdiri dari tiga komponen utama: (1) dashboard analitik interaktif berbasis Power BI untuk visualisasi tren, spasial, dan demografis; (2) sistem peringatan dini berbasis model SARIMA untuk prediksi lonjakan kasus; dan (3) aplikasi web simulasi sebagai antarmuka evaluasi. Pengujian menunjukkan seluruh fitur berfungsi dengan baik. Evaluasi menggunakan kerangka Technology Acceptance Model (TAM) menunjukkan respon positif dari staf Dinas Kesehatan, yang menilai sistem ini berguna dalam mengurangi pekerjaan manual dan mudah digunakan.
PENGEMBANGAN DECISION SUPPORT SYSTEM EMISI KARBON DARI AKTIVITAS MAHASISWA INSTITUT TEKNOLOGI BANDUNG BERBASIS DYNAMIC DATA VISUALIZATION
Pemanasan global akibat emisi karbon menuntut respons adaptif dari berbagai sektor, termasuk institusi pendidikan tinggi. Institut Teknologi Bandung (ITB) menghadapi tantangan signifikan dengan ketiadaan sistem terintegrasi yang mampu memantau, menganalisis, dan menyajikan data emisi karbon dari aktivitas mahasiswa secara terstruktur dan informatif. Kondisi ini menghambat identifikasi kontributor emisi utama dan perumusan kebijakan green campus yang efektif dan berbasis data. Tugas akhir ini mengusulkan pengembangan Decision Support System (DSS) yang secara spesifik dirancang untuk mengatasi permasalahan tersebut. DSS ini mampu memvisualisasikan estimasi emisi karbon dari aktivitas mahasiswa ITB secara dinamis dan interaktif, menjadikannya alat penting untuk mendukung analisis dan pengambilan keputusan. Data aktivitas mahasiswa diakuisisi melalui kuesioner, kemudian diproses menggunakan metode Extract, Transform, Load (ETL) untuk membersihkan, menghitung estimasi emisi, dan menyusun data ke database PostgreSQL (Supabase). Dashboard interaktif dibangun dengan Python (Streamlit dan Plotly) untuk menyajikan data terstruktur ini. Sistem ini secara fungsional mampu mengidentifikasi sumber emisi utama (transportasi, elektronik, sampah makanan), menyajikan berbagai visualisasi interaktif yang relevan, serta menyediakan laporan berisi insight dan rekomendasi kebijakan. Dengan kapabilitas ini, DSS tidak hanya menjadi alat pemantauan, tetapi juga fondasi yang kuat bagi ITB untuk merancang intervensi yang tepat sasaran dalam mencapai target green campus dan mendorong budaya ramah lingkungan di kalangan civitas akademika.
DETEKSI ALFABET BAHASA ISYARAT INDONESIA (BISINDO) BERBASIS MOBILE MENGGUNAKAN ALGORITMA YOLO VERSI 11
Bahasa Isyarat Indonesia (BISINDO) merupakan sarana komunikasi utama bagi individu dengan keterbatasan pendengaran dan bicara, namun aksesibilitasnya terbatas karena sedikitnya pengguna yang fasih dan kurangnya pengetahuan masyarakat umum. Perkembangan teknologi computer vision dan deep learning menawarkan solusi untuk mengatasi hambatan komunikasi ini melalui sistem pengenalan gerakan tangan secara otomatis. Tugas akhir ini mengembangkan aplikasi mobile berbasis YOLOV11 untuk mengenali 26 alfabet BISINDO secara real-time melalui kamera ponsel. Aplikasi dilengkapi fitur autentikasi dan media edukasi untuk meningkatkan pemahaman BISINDO, memungkinkan interaksi yang lebih inklusif antara pengguna bahasa isyarat dan masyarakat luas. Evaluasi pada dataset 2.912 citra BISINDO menunjukkan bahwa varian YOLOV11M terkuantisasi mencapai mAP0.5:0.95 sebesar 82,3% dengan presisi 99,2%, melampaui performa YOLOV9E yang hanya mencapai 69,38% mAP pada studi sebelumnya. Metode kuantisasi model dalam format INT8 dan FP16 serta optimasi resolusi masukan 352×352 piksel mampu memangkas ukuran model hingga 50% tanpa penurunan performa yang signifikan. Pengujian real-time menghasilkan throughput 10 FPS pada ponsel Vivo V50 Lite menggunakan varian YOLOV11N dengan kuantisasi INT8, menunjukkan efisiensi yang cocok untuk implementasi mobile dengan sumber daya terbatas. Pengujian menghasilkan latensi minimal sebesar 10 FPS (frame per second) pada ponsel Vivo V50 Lite menggunakan varian YOLOV11N dengan kuantisasi INT8 dan resolusi masukan 320x320 piksel.
KLASIFIKASI GANGGUAN INFORMASI DENGAN PENDEKATAN MULTIBUKTI DAN MULTIMODALITAS MENGGUNAKAN ARSITEKTUR GETRAL DALAM BAHASA INDONESIA
Penyebaran gangguan informasi meningkat seiring pesatnya perkembangan teknologi. Ditinjau dari aspek kesalahan informasi (falseness), gangguan informasi mencakup misinformasi dan disinformasi. Untuk mengatasi kedua bentuk gangguan tersebut, proses pengecekan kebenaran klaim umumnya melibatkan berbagai sumber bukti. Gambar klaim juga dapat memberikan petunjuk visual dalam proses verifikasi. Pada dataset berbahasa Inggris, pendekatan multibukti dan multimodalitas terbukti meningkatkan kinerja model pengecekan fakta. Namun, penelitian dalam bahasa Indonesia masih terbatas pada pendekatan berbasis teks dengan pasangan klaim dan fakta hasil pengecekan manual, bukan bukti dari kumpulan artikel atau sumber rujukan yang menjadi dasar penarikan fakta. Tugas Akhir ini mengembangkan model klasifikasi gangguan informasi berbahasa Indonesia dengan pendekatan multibukti dan multimodalitas. Setiap klaim diklasifikasikan sebagai false context, false connection, manipulated content, misleading content, fabricated content, imposter content, satire, atau true. Pendekatan multibukti menggunakan arsitektur Graph-based sEmantic sTructure mining framework with conTRAstive Learning (GETRAL), sedangkan pendekatan multimodalitas menggunakan deteksi objek, image encoder, atau image captioning. Pendekatan multibukti menghasilkan skor F1-Macro 0,569, lebih tinggi dibandingkan bukti tunggal (0,465). Lebih lanjut, pendekatan multimodalitas mencapai skor F1-Macro 0,598, melampaui modalitas tunggal teks (0,569). Peningkatan ini juga terlihat pada kinerja per kelas, terutama pada kelas false connection dan manipulated content yang membutuhkan informasi visual. Temuan ini menunjukkan bahwa penerapan pendekatan multibukti dan multimodalitas mampu memperkaya representasi informasi, sehingga meningkatkan kinerja dalam mendeteksi berbagai bentuk misinformasi dan disinformasi.
PENGEMBANGAN SISTEM REKOMENDASI SOAL ALJABAR BERDASARKAN CAPAIAN PEMBELAJARAN DENGAN PENDEKATAN CONTENT-BASED FILTERING
Penjaminan mutu soal yang sesuai dengan capaian pembelajaran menjadi tantangan utama dalam dunia pendidikan, khususnya pada mata pelajaran matematika. Proses perumusan soal yang dilakukan secara manual dan tidak terstruktur sering kali menyebabkan ketidaksesuaian antara soal dengan capaian pembelajaran yang diharapkan. Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi soal aljabar berbasis Content-Based Filtering yang dapat membantu guru dalam memilih soal yang relevan dengan capaian pembelajaran. Tahapan pengembangan dimulai dari pemahaman dan persiapan data menggunakan dataset Math QSA, ekstraksi fitur dari teks soal dan capaian pembelajaran dengan model SentenceTransformer all-MiniLM-L12-v2, hingga perancangan dan implementasi sistem rekomendasi berbasis kemiripan vektor. Evaluasi dilakukan untuk mengukur relevansi rekomendasi terhadap capaian pembelajaran menggunakan metrik Top-N Accuracy dan Mean Reciprocal Rank (MRR). Sistem yang dibangun berhasil mencapai skor Top-3 Accuracy sebesar 78,5% dan MRR sebesar 0,785, yang menunjukkan bahwa pendekatan berbasis representasi semantik efektif dalam menghasilkan rekomendasi soal yang sesuai. Sistem ini diharapkan dapat menjadi solusi awal untuk meningkatkan efisiensi dan kualitas proses perancangan soal yang selaras dengan capaian pembelajaran.
RANCANG BANGUN DASHBOARD DAN SISTEM OTOMASI BERBASIS WEB DALAM PENGEMBANGAN SOCIAL MEDIA BOT INSTAGRAM
Promosi pariwisata di era digital semakin bergantung pada platform media sosial seperti Instagram, di mana influencer berperan krusial dalam membangun persepsi positif dan mendorong interaksi audiens. Namun, pengelolaan akun secara manual untuk berinteraksi secara konsisten dengan calon wisatawan sering kali tidak efisien dan kurang responsif. Untuk menjawab tantangan tersebut, dikembangkan sebuah proyek capstone untuk membangun "Nusava," yaitu prototipe social media bot cerdas yang dirancang untuk memanfaatkan influencer pariwisata. Sistem ini bekerja dengan mengintegrasikan tiga komponen utama: Large Language Model (LLM), data mining, dan sebuah sistem operasional inti. Tugas akhir ini menyusun perancangan, implementasi, dan pengujian komponen operasional inti tersebut, yang terdiri dari dashboard berbasis web dan sistem otomasi yang terintegrasi. Dashboard yang dibangun dengan frontend Next.js dan backend Django menyediakan antarmuka pengguna untuk konfigurasi persona bot, pemantauan kinerja melalui analitik real-time, serta pengelolaan konten terjadwal. Komunikasi antara frontend dan backend menggunakan arsitektur RESTful API yang memastikan pertukaran data yang akurat dan responsif. Sementara itu, sistem otomasi dirancang dengan menerapkan paradigma trigger pattern. Pemicu berbasis event-driven digunakan untuk memberikan respons langsung terhadap interaksi pengguna, seperti membalas direct message menggunakan respons yang dihasilkan oleh LLM. Di sisi lain, pemicu berbasis schedule untuk tindakan berkala seperti unggahan konten dan pembaruan statistik, sehingga mengoptimalkan interaksi dan jangkauan. Hasil dari tugas akhir ini menunjukkan keberhasilan dalam pengembangan sistem dashboard yang terintegrasi dengan bot dalam pemantauan kinerja bot Nusava. Tugas akhir ini juga bertujuan mengoptimalkan sistem otomasi social media bot yang dapat menunjang promosi pariwisata. Dengan implementasi trigger pattern berbasis event-driven dan scheduled, sistem ini mampu meningkatkan efektivitas dan efisiensi dalam menjalankan aksi media sosial
DESAIN MANAJEMEN INVENTARISASI BERBASIS PERAMALAN UNTUK PT. KAYU MEBEL INDONESIA
PT. Kayu Mebel Indonesia saat ini menerapkan sistem Make-to-Order murni, yang menjaga persediaan barang jadi tetap rendah tetapi membuat operasional rentan terhadap waktu tunggu pemasok yang lama dan kehabisan stok yang terkadang terjadi. Studi ini merancang dan menguji kerangka kerja inventaris berbasis prakiraan untuk mendukung rencana perusahaan menuju pendekatan Make-to-Stock hibrida. Data ERP selama satu tahun 2024 tentang pengadaan, konsumsi, dan tingkat stok untuk kayu, veneer, dan papan panel (material yang menyumbang pengeluaran terbesar) dianalisis. Permintaan bulanan diprakirakan dengan perangkat deret waktu sederhana: pemulusan eksponensial tunggal ditambah rata-rata bergerak tertimbang dua dan tiga periode. Deviasi Absolut Rata-rata, Kesalahan Kuadrat Rata-rata, dan Kesalahan Persentase Absolut Rata-rata mengidentifikasi model terbaik untuk setiap material. Prakiraan yang dipilih digunakan untuk rumus Kuantitas Pesanan Ekonomis dan Titik Pemesanan Ulang, dan Perencanaan Kebutuhan Material menerjemahkan ukuran lot yang dihasilkan ke dalam jadwal pembelian bertahap. Simulasi terhadap transaksi historis menunjukkan bahwa kebijakan yang diusulkan meningkatkan visibilitas perencanaan dan mengurangi pembelian darurat, sehingga mengurangi tekanan penyimpanan pada barang impor bernilai tinggi. Namun, untuk material bernilai rendah dengan biaya pemesanan tetap yang besar, pesanan yang lebih besar tetapi lebih jarang justru meningkatkan stok rata-rata, sehingga terjadi pergeseran biaya, alih-alih penurunan. Temuan ini menyoroti bahwa prakiraan yang lebih baik tidak serta merta menurunkan biaya; manfaatnya bergantung pada penyelarasan aturan ukuran lot dengan struktur biaya masing-masing material. Rekomendasi ini memberikan panduan yang jelas bagi manajemen tentang cara mengintegrasikan estimasi permintaan, EOQ, dan MRP ke dalam alur kerja ERP yang ada untuk menyeimbangkan keandalan layanan dan biaya inventaris selama ekspansi.
PENGEMBANGAN PRODUK INFANTOMETER ANALOG LIPAT RINGKAS UNTUK PEMANTAUAN TUMBUH KEMBANG ANAK USIA 0–2 TAHUN BERBASIS REKAYASA BALIK
Abstrak dapat dilihat pada file nya
PERANCANGAN SISTEM PENDUKUNG KEPUTUSAN REKOMENDASI CROSS-SELLING PRODUK PADA PT X UNTUK MERCHANT PT Y
PT X merupakan salah satu perusahaan retail di Indonesia yang menjual berbagai produk kebutuhan sehari-hari, mulai dari bahan makanan, produk perawatan diri dan kecantikan, perlengkapan rumah tangga, hingga berbagai produk elektronik. Selama dua tahun terakhir, PT X telah menjalin kerja sama dengan PT Y sebagai penyedia bahan baku makanan untuk para merchant di wilayah Jakarta. Dalam upaya meningkatkan kualitas layanan, PT X mulai menerapkan strategi crossselling dengan menawarkan produk tambahan yang berpotensi dibutuhkan oleh merchant. Namun, strategi ini masih sulit untuk dilakukan secara konsisten karena belum adanya metode sistematis yang dapat membantu tim dalam mengolah data transaksi historis dan memahami pola pembelian merchant secara menyeluruh. Penelitian ini bertujuan untuk merancang sistem pendukung keputusan yang dapat membantu PT X dalam menjalankan strategi cross-selling secara lebih rutin dan menyeluruh. Metode pengembangan sistem yang digunakan adalah metode prototyping dengan tahapan planning, analysis, dan design. Selain itu, perancangan model dalam sistem pendukung keputusan dilakukan dengan mengacu pada tahapan terstandarisasi Cross Industry Standard Process for Data Mining (CRISPDM). Kegiatan penelitian mencakup analisis kondisi existing, identifikasi kebutuhan, pemodelan, perancangan komponen dan prototipe sistem pendukung keputusan, evaluasi prototipe, dan diakhiri dengan penarikan kesimpulan. Hasil dari penelitian ini adalah rancangan prototipe sistem pendukung keputusan yang memanfaatkan association rule mining untuk menghasilkan rekomendasi kombinasi produk untuk ditawarkan kepada merchant. Terdapat dua jenis prototipe yang dihasilkan, yaitu prototipe desain antarmuka (user interface) dan prototipe simulasi untuk menunjukkan cara kerja sistem. Selain prototipe, dihasilkan juga rancangan Entity Relationship Diagram (ERD) yang menggambarkan relasi antarentitas dalam sistem.
PENGEMBANGAN MODEL ESTIMASI MANUFACTURING LEAD TIME PADA SISTEM PRODUKSI MAKE TO ORDER (MTO) MENGGUNAKAN PEMBELAJARAN MESIN
Penelitian ini bertujuan untuk melakukan pengembangan model estimasi manufacturing lead time (MLT) pada sistem produksi make to order (MTO) dengan pendekatan job shop di PT X. PT X merupakan sebuah perusahaan yang bergerak di bidang pembuatan mesin untuk industri otomotif. Dalam sistem produksi MTO, estimasi waktu produksi yang akurat sangat penting untuk meningkatkan kinerja dari penjadwalan dan kepuasan pelanggan. Namun, PT X menghadapi tantangan dalam hal akurasi estimasi waktu produksi, yang hanya mencakup waktu permesinan dan belum mencakup faktor lainnya seperti flow time, waiting time, dan check time. Penelitian ini mengusulkan penggunaan metode machine learning untuk membangun model estimasi MLT yang lebih akurat dan dapat diandalkan. Penelitian ini akan membangun dua model yang akan dibandingkan dan dipilih, yaitu Random Forest Regression dan Artificial Neural Network (ANN). Pemilihan model didasarkan pada kemampuannya dalam mengolah data besar dan menghasilkan prediksi yang lebih cocok untuk melakukan regresi non-linier. Data historis dari tahun 2018 hingga 2023 digunakan sebagai basis pelatihan, yang mencakup manufacturing lead time dan sejumlah variabel independen yang akan dipilih berdasarkan pengaruhnya terhadap kinerja model. Selain itu, Metode transformasi untuk data kategorikal nominal seperti target encoding, count encoding, dan catboost encoding turut dibandingkan untuk mencari metode terbaik. Hasil penelitian menunjukkan bahwa random forest memberikan kinerja terbaik dengan nilai RMSE sebesar 220.56 jam dan koefisien determinasi (R 2 ) sebesar 75.2%, serta waktu komputasi yang relatif efisien dibandingkan dengan model ANN. Variabel independen yang memberikan pengaruh positif terhadap model random forest adalah material_name, workcenter_id, product_name, customer, subassy_number, dan part_quantity dengan transformasi untuk variabel kategorikal nominalnya adalah target encoding. Model yang dikembangkan dapat digunakan sebagai model awal dalam memberikan estimasi manufacturing lead time pada sistem produksi MTO.
OPTIMALISASI PERAMALAN PERMINTAAN DAN MANAJEMEN PERSEDIAAN DI PERMATA INDONESIA
Penelitian ini bertujuan untuk mengoptimalkan manajemen persediaan dan peramalan permintaan pada PT Permata Indonesia, sebuah perusahaan manufaktur yang menerapkan sistem Make-to-Stock. Permasalahan utama yang dihadapi adalah ketidakefisienan dalam pengelolaan persediaan yang mengakibatkan keterlambatan pemenuhan pesanan. Penelitian ini mencakup identifikasi akar masalah menggunakan diagram fishbone serta analisis peramalan dengan metode Single Exponential Smoothing dan Holt’s Linear Trend. Metode terbaik dipilih berdasarkan nilai akurasi (MAD, MSE, dan MAPE), di mana Holt’s Linear Trend memberikan hasil paling seimbang dalam hal ketepatan dan kemampuan menangkap tren. Hasil peramalan digunakan sebagai dasar dalam pengelolaan persediaan, termasuk perhitungan Economic Order Quantity (EOQ), Safety Stock, Reorder Point, dan Total Inventory Cost. Temuan penelitian menunjukkan bahwa pendekatan berbasis data dalam peramalan dan pengendalian persediaan dapat meningkatkan efisiensi operasional dan mengurangi risiko kekurangan stok.
ANALISIS PREDIKSI DAN SEGMENTASI PELANGGAN YANG BERHENTI BERLANGGANAN PADA INDUSTRI TELEKOMUNIKASI MENGGUNAKAN REGRESI LOGISTIK DAN K-MEANS
Dalam industri telekomunikasi yang kompetitif, memahami perilaku pelanggan dan mencegah pelanggan berhenti berlangganan merupakan strategi yang krusial bagi perusahaan. Penelitian ini bertujuan untuk membangun model prediksi pelanggan berhenti berlangganan pada industri telekomunikasi menggunakan algoritma regresi logistik, mengidentifikasi kontribusi setiap fitur terhadap kemungkinan pelanggan berhenti berlangganan, melakukan segmentasi pelanggan yang berhenti berlangganan menggunakan algoritma K-Means, serta merumuskan strategi retensi yang tepat berdasarkan hasil segmentasi tersebut. Model prediksi dikembangkan dengan membandingkan performa antara model tanpa dan dengan penerapan teknik penyeimbangan kelas menggunakan SMOTE (Synthetic Minority Oversampling Technique). Hasil menunjukkan bahwa model dengan SMOTE memberikan performa yang lebih baik dan seimbang dalam memprediksi kedua kelas sehingga model tersebut dipilih untuk analisis lebih lanjut. Analisis regresi logistik dilakukan terhadap nilai koefisien, rasio odds, dan efek perubahan untuk mengukur kontribusi masing-masing fitur terhadap kemungkinan pelanggan berhenti berlangganan. Untuk fitur numerik, analisis difokuskan pada pengaruh kenaikan nilai. Sedangkan untuk fitur kategorikal, fokus analisis adalah pada perpindahan antar kategori. Selanjutnya, proses segmentasi diterapkan secara khusus pada pelanggan yang berhenti berlangganan dengan menggunakan fitur-fitur yang memiliki kontribusi sedang hingga tinggi terhadap risiko berhenti berlangganan. Segmentasi dilakukan menggunakan metode klasterisasi K-Means dan hasilnya mengidentifikasi tiga klaster pelanggan dengan karakteristik yang berbeda. Karakteristik tersebut menjadi dasar dalam perumusan strategi retensi, seperti promosi kontrak jangka panjang, peningkatan kualitas layanan teknis, dan penawaran paket bundel. Penelitian ini memberikan kontribusi dengan menggabungkan pendekatan prediksi dan segmentasi untuk mendukung perusahaan dalam merancang kebijakan retensi yang lebih efektif dan berbasis data.