Prediksi Kecacatan Produk Pada Jalur Produksi Dengan Pendekatan Recurrent Neural Network (Rnn) Dan Bayessian Optimization Sebagai Model Optimasi: Studi Kasus PT XYZ

Syafrie, Dwi Faisal (2022) Prediksi Kecacatan Produk Pada Jalur Produksi Dengan Pendekatan Recurrent Neural Network (Rnn) Dan Bayessian Optimization Sebagai Model Optimasi: Studi Kasus PT XYZ. Masters thesis, Institut Teknologi Sepuluh Nopember.

[img] Text
6032201192-Master_Thesis.pdf - Accepted Version
Restricted to Repository staff only until 1 April 2024.

Download (3MB) | Request a copy

Abstract

Salah satu cara untuk mengontrol kualitas produk adalah mengurangi adanya produk yang cacat. Pada PT XYZ sudah melakukan tindakan pengendalian kualitas, namun angka kecacatan produk terus mengalami kenaikan rata-rata 8%. Hasil tersebut menyebabkan lebih lamanya waktu produksi dan biaya yang membengkak. Untuk mengurangi angka cacat produk akan dilakukan prediksi jumlah cacat produk Forecasting machine learning menggunakan data cacat produk mulai dari tahun 2016 – 2021. Model machine learning yang akan digunakan adalah Recurrent Neural Network (RNN) dengan arsitektur nya yaitu Gated Reccurent Unit (GRU). Alasan pemilihan model ini adalah Recurrent Neural Network (RNN) lebih sederhana dan cepat ketika proses iterasi training berlangsung. Tidak hanya itu, mempunyai memori yang berisi informasi temporal dari data input, sehingga cocok untuk permasalahan time-series. Selain itu digunakan Bayessian Optimization sebagai metode untuk menentukan parameter terbaik pada model yang dibangun. Hasil dari penggunaan model GRU dan GRU dengan bayessian optimization membuktikan bahwa Hasil model GRU dengan MAE dan RMSE masing-masing di angka 3556,4 dan 7806 dibandingkan dengan data validasi yang dilakukan di lapangan. Hasil Optimalisasi model GRU menggunakan bayessian optimization didapatkan masing – masing parameter yaitu: activation function = eLu, Number RNN Layers = 12, Dropout = 0.25, Number Units = 64 dan Learning Rate = 0.001. Dari pengujian parameter diatas didapatkan nilai MAE dan RMSE yang lebih baik dari GRU yaitu masing-masing sebesar 1608 dan 2046. Dari hasil ini Model GRU with bayessian Optimization akan dipilih sehingga bisa dilanjutkan untuk data prediksi kedepan. ====================================================================================================== One way to control product quality is to reduce the presence of defective products. PT XYZ has taken quality control measures, but the number of product defects continues to increase by an average of 8%. These results lead to longer production times and increased costs. To reduce the number of product defects, a prediction of the number of product defects will be made. Forecasting machine learning using product defect data from 2016 – 2021. The machine learning model that will be used is the Recurrent Neural Network (RNN) with its architecture, namely the Gated Reccurent Unit (GRU). The reason for choosing this model is that the Recurrent Neural Network (RNN) is simpler and faster when the training iteration process takes place. Not only that, it has a memory that contains temporal information from the input data, making it suitable for time-series problems. In addition, Bayessian Optimization is used as a method to determine the best parameters for the model being built. The results of using the GRU and GRU models with bayessian optimization prove that the results of the GRU model with MAE and RMSE are 3556.4 and 7806, respectively, compared to the validation data carried out in the field. The results of the optimization of the GRU model using bayessian optimization obtained each parameter, namely: activation function = eLu, Number RNN Layers = 12, Dropout = 0.25, Number Units = 64 and Learning Rate = 0.001. From the above parameter testing, it is found that the MAE and RMSE values are better than the GRU, which are 1608 and 2046, respectively. From this result, the GRU with Bayessian Optimization model will be chosen so that it can be continued for future prediction data.

Item Type: Thesis (Masters)
Uncontrolled Keywords: Pembelajaran Mesin, Produk Cacat, Recurrent Neural Network, Gated Recurrent Units (GRU) , Bayessian Optimization.
Subjects: Q Science > Q Science (General) > Q325.5 Machine learning.
Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
T Technology > T Technology (General) > T174 Technological forecasting
Divisions: Faculty of Creative Design and Digital Business (CREABIZ) > Technology Management > 61101-(S2) Master Thesis
Depositing User: Syafrie Dwi Faisal
Date Deposited: 11 Feb 2022 13:21
Last Modified: 11 Feb 2022 13:21
URI: https://repository.its.ac.id/id/eprint/93884

Actions (login required)

View Item View Item