Pemodelan Klasifikasi Menggunakan Metode Cross Industry Standard Process for Data Mining untuk Meningkatkan Kualitas Produk

Pratiwi, Pravitasari Anjar (2023) Pemodelan Klasifikasi Menggunakan Metode Cross Industry Standard Process for Data Mining untuk Meningkatkan Kualitas Produk. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6032212040-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (4MB) | Request a copy

Abstract

Kualitas produk yang dihasilkan dari suatu proses produksi merupakan kriteria penting yang harus diperhatikan sebuah perusahaan. Hal ini juga berlaku bagi PT. XYZ sebagai salah satu perusahaan di bidang manufaktur filter rokok. Penilaian kualitas produk PT. XYZ ditentukan berdasarkan komplain pelanggan yang diterima setiap tahunnya. Aktual komplain pelanggan yang diterima PT. XYZ sampai dengan September 2022 adalah sebesar 12 komplain melebihi target yang ditentukan sebesar 11 komplain. Kondisi ini menunjukkan bahwa kualitas produksi PT. XYZ pada tahun 2022 tidak mencapai target yang ditetapkan. Penelitian dilakukan untuk mengembangkan kerangka model klasifikasi dan mengidentifikasi faktor yang berpengaruh terhadap kualitas produk. Metode analisis mengadopsi
kerangka kerja CRISP-DM (Cross Industry Standard Process for Data Mining). Pada tahap pemodelan dilakukan pengembangan kerangka model klasifikasi dengan metode Random Forest dan Regresi Logistik. Hasil Penelitian menunjukkan bahwa dengan menerapkan teknik oversampling k-Mean SMOTE menghasilkan model klasifikasi produk dengan performa prediksi yang lebih baik. Pada metode Random Forest dengan k-Mean SMOTE mampu meningkatkan nilai F1 Score dari 60% menjadi 95%, sedangkan pada Regresi Logistik terjadi kenaikan nilai F1 Score dari 21% menjadi 61%. Peningkatan nilai F1 Score menunjukkan bahwa dengan k-Mean SMOTE mampu menghasilkan model dengan memiliki sensitivitas yang sangat baik dalam memprediksi kelas data dengan rate false positif/negatif rendah. Dengan menggunakan metode forward selection pada regresi logistik dihasilkan 17 variabel yang secara signifikan mempengaruhi kualitas produk dengan 7 diantaranya memiliki kecenderungan untuk menghasilkan produk dengan kualitas yang sesuai dengan standar, sedangkan sebanyak 10 lainnya cenderung untuk menghasilkan produk dengan kualitas yang tidak sesuai atau produk cacat.
===================================================================================================================================
Product quality is one of the essential criteria for any manufacturing. PT. XYZ is a cigarette filter manufacturer with a B2B business model considers quality is a critical factor in determining business performance. The quality performance of PT. XYZ was determined by the number of customer complaint, however the 2022 target was not achieved because there were 12 complaints instead of the target 11 complaints. This condition indicates that the quality of the cigarette filters supplied by PT. XYZ is not achieving the annual target stated by company. This research is aimed to develop a classification model framework and identify determinant factors of product’s quality. The analytical approach is carried out by synthesizing CRISP-DM (Cross Industry Standard Process for Data Mining). At the modelling stage, classification model is performed by using two methods including Random Forest and Logistic Regression. The research findings demonstrate that by effectively implementing the oversampling technique k-Mean SMOTE, a classification model for products can be developed with good prediction performance. In the Random Forest model with k-Mean SMOTE, the F1 Score increased from 60% to 91%, while in logistic regression, there was an increase in the F1 Score from 21% to 61%. The increase in F1 Score indicates that k-Mean SMOTE can generate models with excellent sensitivity in predicting data classes with low false positive/negative rates. Utilizing the forward selection method in logistic regression has yielded a total of 17 variables that significantly affecting product quality. Among these variables, 7 variables demonstrate a propensity for generating good quality product, while the remaining 10 variables indicate a tendency to produce defective products.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Cigarette Filter, Data Mining, Logistic Regression, Product Quality, Random Forest. Filter Rokok, Oversampling, SMOTE, Random Forest, Regresi Logistik
Subjects:	H Social Sciences > HA Statistics > HA31.3 Regression. Correlation T Technology > TS Manufactures > TS161 Materials management. T Technology > TS Manufactures > TS183 Manufacturing processes. Lean manufacturing.
Divisions:	Interdisciplinary School of Management and Technology (SIMT) > 61101-Master of Technology Management (MMT)
Depositing User:	Pravitasari Anjar Pratiwi
Date Deposited:	05 Aug 2023 08:13
Last Modified:	05 Aug 2023 08:13
URI:	http://repository.its.ac.id/id/eprint/103840

Actions (login required)

View Item