Perpustakaan Digital ITB

Dalam industri manufaktur semen, menjaga konsistensi mutu produk merupakan tantangan yang signifikan akibat variasi bahan baku, kondisi operasional, dan keterlambatan umpan balik dari hasil uji laboratorium—khususnya uji kuat tekan yang baru tersedia pada hari ke-3, 7, dan 28. Penelitian ini bertujuan untuk mengatasi permasalahan tersebut dengan mengembangkan model prediktif menggunakan machine learning guna memperkirakan kuat tekan berdasarkan parameter laboratorium yang tersedia lebih awal. Studi ini dilakukan di PT Semen Pertama dengan menggunakan kerangka kerja CRISP-DM untuk memandu proses analitik, mulai dari pemahaman bisnis hingga implementasi model. Data historis laboratorium—yang mencakup komposisi kimia (misalnya, SiO?, Al?O?, Fe?O?, CaO), sifat fisik (misalnya, kehalusan, sisa ayakan), serta hasil uji kuat tekan—digunakan untuk melatih dua algoritma pembelajaran terawasi: Linear Regression dan Random Forest Regressor. Berbagai metode seleksi fitur diterapkan untuk meningkatkan akurasi dan interpretabilitas model, termasuk analisis korelasi, Recursive Feature Elimination (RFE), SelectKBest, dan seleksi berbasis pengetahuan ahli. Proses prapemrosesan data meliputi penanganan nilai hilang, perbaikan outlier, normalisasi, dan pembagian data menjadi subset pelatihan dan pengujian. Kinerja model dievaluasi menggunakan metrik regresi standar (MSE, RMSE, MAE, R²) dan divalidasi dengan k-fold cross-validation. Hasil penelitian menunjukkan bahwa Random Forest secara konsisten memberikan akurasi prediksi yang lebih tinggi dibandingkan Linear Regression, dengan nilai R² mendekati 0,90. Analisis feature importance mengidentifikasi variabel-variabel kunci yang memengaruhi kuat tekan, sehingga memberikan wawasan praktis bagi pemantauan mutu. Model prediktif yang dikembangkan mendukung estimasi mutu lebih awal, mengurangi ketergantungan pada pengujian destruktif, dan memungkinkan pengambilan keputusan produksi yang lebih proaktif. Penelitian ini berkontribusi terhadap penerapan predictive quality dalam industri manufaktur dan menawarkan kerangka kerja praktis untuk implementasi machine learning di industri semen.