Sistem Pengambil Keputusan Pada Mesin E-Fill Maintenance Menggunakan Metode Support Vector Regresi
Main Article Content
Abstract
Penelitian ini mengeksplorasi penggunaan metode Support Vector Regression (SVR) untuk memprediksi kebutuhan
maintenance pada mesin E-FILL. Data dibagi menjadi set pelatihan dan pengujian, dan evaluasi dilakukan
menggunakan metrik seperti Root Mean Squared Error (RMSE) dan koefisien determinasi (R-squared). Hasil
menunjukkan bahwa model SVR memiliki performa yang sangat baik dengan nilai RMSE rendah dan akurasi tinggi,
menunjukkan kemampuan model dalam menangkap pola dalam data secara efektif. Visualisasi hasil prediksi dan
hyperplane yang dihasilkan oleh model SVR juga mendukung temuan ini, menampilkan prediksi yang konsisten dengan
data aktual. Hasil pengujian menunjukkan bahwa nilaiRMSE yang diperoleh sangat rendah (0.1000), dan akurasi
mencapai 99.99%, menunjukkan bahwa model SVR mampu menangkap pola dalam data dengan sangat baik.
Penelitian ini menyimpulkan bahwa metode SVR adalah alat yang efektif dan andal untuk memprediksi kebutuhan
maintenance, berpotensi membantu perusahaan dalam mengoptimalkan jadwal pemeliharaan, mencegah kerusakan
yang lebih parah, dan menjaga kelancaran operasi produksi. Keterbatasan penelitian mencakup penggunaan dataset
dengan nilai yang mungkin serupa, yang dapat mempengaruhi generalisasi model. Penelitian selanjutnya disarankan
menggunakan dataset dengan variasi yang lebih luas dan membandingkan dengan teknik machine learning lainnya
untuk mendapatkan wawasan yang lebih mendalam tentang prediksi maintenance.
Article Details
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution-ShareAlikel 4.0 International (CC BY-SA 4.0) that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).