Article Details

PERANCANGAN MODEL MACHINE LEARNING UNTUK DETEKSI ANOMALI DAN PREDIKSI UNTUK PARAMETER PENJADWALAN PRODUKSI DI PT X

Oleh   Raditya Fijar Pradana [14417048]
Kontributor / Dosen Pembimbing : Prof. Dr. Ir. Dradjad Irianto, M.Eng.;Praditya Ajidarma, S.T., M.Sc.;
Jenis Koleksi : S1-Tugas Akhir
Penerbit : FTI - Manajemen Rekayasa Industri
Fakultas : Fakultas Teknologi Industri (FTI)
Subjek :
Kata Kunci : anomaly detection, CRISP-DM, machine learning, LSTM autoencoder, control chart, moving average.
Sumber :
Staf Input/Edit : Alice Diniarti  
File : 1 file
Tanggal Input : 2021-11-25 14:41:01

PT X, salah satu perusahaan otomotif tersbesar di Indonesia, memiliki pangsa pasar sebesar 31.3% di Indonesia pada periode bulan Januari 2021 sampai dengan bulan Juli 2021. Selain itu, kontribusi PT X terhadap pasar ekspor pun cukup besar. Untuk menjaga dan meningkatkan pangsa pasar tersebut, PT X perlu menjaga kepuasan pelanggan dengan cara mengadakan after sales sevice yang baik, khususnya pengadaan service parts. Service parts yang perlu diadakan oleh PT X jenisnya sangatlah beragam dengan karakteristik yang juga sangat bervariasi, seperti fluktuatifnya jumlah order dan lead time. Untuk menjalankan proses produksi service part tersebut, diperlukan perencanaan dan pengendalian produksi yang baik. Oleh karenanya, model deteksi anomali dan model prediksi atau peramalan pun dibangun. Model anomali menjadi trigger untuk dijalankannya model prediksi. Adapun model prediksi akan dijadikan input dalam revisi hasil peramalan, verifikasi kapasitas produksi, dan penjadwalan ulang. Model deteksi anomali dan prediksi akan dibangun dengan teknik data mining dan machine learning, yaitu menggunakan metodologi Cross Industry Standard Process for Data Mining (CRISP-DM). Model deteksi anomali dibangun dengan menggunakan algoritma LSTM autoencoder dan control chart. Adapun model prediksi dibangun dengan menggunakan algoritma LSTM autoencoder dan simple moving average. Dalam mendeteksi anomali dan juga prediksi, kedua model yang digunakan memiliki karakteristik yang cukup berbeda. Secara umum, LSTM autoencoder merupakan model yang lebih robust. Adapun terkait anomali, dari sebelas services parts yang dianalisis, hanya delapan service parts yang memiliki anomali. Selanjutnya, anomali yang terdeteksi tersebut ditindaklanjuti oleh model prediksi dan didata dalam resource isolation.