Perpustakaan Digital ITB

parameter kualitas Oil Pick-up Unit (OPU) pada produksi Viscose Staple Fiber (VSF). Permasalahan utama pada tantangan yang dihadapi adalah adanya jeda informasi selama empat jam untuk mendapatkan hasil OPU dari laboratorium yang menyebabkan keterlambatan dalam pengendalian proses oleh operator Distributed Control System (DCS). Keterlambatan ini mengakibatkan nilai OPU tidak konsisten dalam rentang spesifikasi yang diinginkan yaitu pada spesifikasi OPU Best Viscose. Selain itu dalam melakukan pengendalian parameter proses oleh operator DCS masih dilakukan berdasarkan pengalaman operator. Tidak ada prosedur khusus untuk menentukan nilai dalam pengendalian parameter proses. Akibatnya persentase produk berkualitas menjadi menurun dan berpotensi menimbulkan kerugian. Untuk mengatasi masalah ini, penelitian ini mengusulkan dua solusi yaitu (1) perancangan model machine learning untuk memprediksi nilai OPU dan (2) pembangunan Decision Support System (DSS) untuk memberikan rekomendasi pengaturan parameter proses. Penelitian ini menggunakan data historis proses aftertreatment dari Januari hingga Juli 2025. Model prediksi dikembangkan menggunakan berbagai algoritma machine learning mulai dari yang berbasis pohon keputusan yaitu Random Forest, XGBoost, dan LightGBM serta support vector yaitu Support Vector Regression (SVR). Selanjutnya, model machine learning yang sudah dilatih dan dapat memprediksi nilai OPU dengan tepat dan akurat akan digunakan untuk merancang DSS. Perancangan DSS akan menggunakan algoritma metaheuristik yang memanfaatkan model machine learning untuk merekomendasikan nilai parameter agar nilai OPU selalu dalam rentang spesifikasi. Dari keempat model machine learning didapatkan model prediksi terbaik yaitu model XGBoost dengan untuk Line 1 memiliki performa dengan nilai MAPE sebesar 2.472% dan R-squared sebesar 0.6215. Sementara model untuk Line 2 mencapai MAPE sebesar 2.681% dan R-squared sebesar 0.5012. DSS yang dirancang menggunakan algoritma metaheuristik yaitu Genetic Algorithm yang diintegrasikan dengan model XGBoost berhasil menghasilkan rekomendasi nilai parameter proses yang dapat digunakan serta rancangan tampilan dari DSS yang dapat membantu operator dalam mengendalikan parameter proses.