📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 2 dokumenPERANCANGAN SISTEM PENDUKUNG KEPUTUSAN PERENCANAAN PRODUKSI BERBASIS MACHINE LEARNING PADA PT CIPTA MORTAR UTAMA
PT Cipta Mortar Utama (CMU) menghadapi tantangan operasional berupa biaya inventori yang berlebih akibat overproduction. Masalah ini bermuara dari proses peramalan permintaan yang masih menggunakan pendekatan judgemental forecast (target penjualan) yang subjektif dan rentan mengalami error, serta sistem pengambilan keputusan produksi yang memakan waktu karena data masih terisolasi antar divisi. Penelitian ini bertujuan untuk merancang prototipe Sistem Pendukung Keputusan (SPK) dengan mengintegrasikan model peramalan permintaan kuantitatif berbasis machine learning untuk menghasilkan rekomendasi penentuan shift produksi secara lebih akurat dan adaptif. Metodologi perancangan yang digunakan memadukan System Development Life Cycle (SDLC) untuk merancang arsitektur SPK dan Cross-Industry Standard Process for Data Mining (CRISPDM) untuk membangun model peramalan data deret waktu. Melalui proses evaluasi menggunakan metrik Mean Absolute Percentage Error (MAPE) dengan metode expanding window validation, penelitian ini menyimpulkan bahwa setiap Stock Keeping Unit (SKU) membutuhkan model peramalan yang spesifik: Model Random Forest direkomendasikan untuk produk MU-250-40KG. Model ARIMAX direkomendasikan untuk produk MU-302- 50KG. Model XGBoost direkomendasikan untuk produk MU-380-40KG dan MU-480- 25KG. Prototipe SPK ini dibangun menggunakan bahasa pemrograman Python dengan library Streamlit untuk menghasilkan antarmuka (dashboard) interaktif. SPK yang diusulkan mampu mengolah data historis menjadi peramalan permintaan, memvisualisasikan tren penjualan, dan menghitung jumlah kebutuhan shift produksi berdasarkan kapasitas dan safety stock. Berdasarkan analisis kelayakan ekonomi, rancangan solusi ini dinyatakan layak untuk diimplementasikan dengan nilai Benefit-Cost Ratio (BCR) sebesar 1,51, Internal Rate of Return (IRR) sebesar 17%, dan Payback Period selama 3,5 bulan. Implementasi sistem ini diharapkan dapat mengotomatisasi pengolahan data lintas divisi, mempercepat siklus pengambilan keputusan tingkat taktis, serta mereduksi biaya inventori perusahaan secara signifikan
PREDIKSI KONSUMSI LISTRIK SEKTOR INDUSTRI MENGGUNAKAN LONG SHORT-TERM MEMORY DENGAN TEKNIK DEKOMPOSISI DAN ALGORITMA GENETIKA STUDI KASUS : PLN UP3 KEDIRI
Penelitian ini berfokus pada konsumsi listrik pelanggan industri dengan kapasitas daya di atas 240.000 VA pada periode Januari 2019 – Mei 2024. Model Long Short-Term Memory (LSTM) digunakan sebagai metode utama dalam prediksi konsumsi listrik karena kemampuannya dalam menangkap pola hubungan temporal jangka panjang pada data deret waktu. Namun, tantangan utama dalam prediksi ini adalah pola konsumsi listrik yang tidak linier dan tidak stasioner, yang dapat mengurangi akurasi model. Untuk mengatasi tantangan tersebut, penelitian ini menerapkan teknik dekomposisi seperti Empirical Mode Decomposition (EMD) dan Seasonal-Trend Decomposition using LOESS (STL) guna memecah data konsumsi listrik menjadi komponen yang lebih mudah dipahami. Hasil dekomposisi EMD berupa Intrinsic Mode Function (IMF) dan STL yang terdiri dari tren, musiman, dan residu, kemudian dimodelkan menggunakan LSTM agar dapat menangkap pola dan ketergantungan data dengan lebih baik. Setelah setiap komponen diprediksi secara terpisah, hasilnya digabungkan kembali untuk membentuk total prediksi konsumsi listrik secara keseluruhan. Selain itu, penelitian ini juga mengimplementasikan algoritma genetika (GA) untuk melakukan optimasi hyperparameter secara otomatis, termasuk jumlah neuron pada hidden layer, dropout, learning rate, windowing, serta jumlah epoch. Hasil penelitian menunjukkan bahwa model LSTM dengan kombinasi teknik dekomposisi dan algoritma genetika mampu meningkatkan akurasi prediksi dibandingkan dengan model LSTM biasa. Pada industri peternakan, yang memiliki karakteristik data non-linier dan tidak stasioner, model terbaik adalah GA-EMD-LSTM dengan akurasi RMSE 1662.24 (meningkat , MAPE 2,37 dan CC 0.91. Sementara itu, pada industri pertanian, yang memiliki karakteristik non-linier dan stasioner, model terbaik adalah GA-STL-LSTM, dengan nilai RMSE 3335.80, MAPE 6.25 dan CC 0.96. Hasil ini membuktikan bahwa pendekatan berbasis dekomposisi dan algoritma genetika dapat secara efektif meningkatkan kinerja model LSTM dalam memprediksi konsumsi listrik industri.