Detail Cantuman

Produk cacat dalam proses produksi dapat diminimalisir dengan memprediksi hasil kualitas yang akan diproduksi. Untuk kepentingan ini, diperlukan suatu model prediksi yang dapat menjelaskan pengaruh setiap parameter proses terhadap kualitas akhir produk pada suatu proses manufakturing. Penelitian ini bertujuan untuk memformulasikan model prediksi dengan tingkat akurasi tinggi pada kasus data dengan atribut numerik dan kelas nominal. Penelitian ini diterapkan proses manufaktur semikonduktor yang direpresentasikan oleh dataset SECOM yang diasumsikan sebagai single-stage manufacturing. Dataset SECOM memiliki data sebesar 1567 baris dengan 591 atribut dan 1 buah label yang mendeskripsikan kualitas akhir produk accept atau reject. Metodologi yang digunakan untuk melakukan penelitian diadaptasi dari metodologi data mining for engineering application (DMME) yang dapat mengakomodasi kebutuhan rekayasa dan merupakan pengembangan dari cross-industry standard process for data mining (CRISP-DM) dengan penambahan ekstensi teknis. Pada penelitian ini algoritma klasifikasi Decision Tree, Random Forest, Support Vector Machine, k-Nearest Neighbour, dan Naive Bayes diterapkan, kemudian hasilnya dibandingkan dan dievaluasi. Hasil terbaik dihasilkan oleh Random Forest untuk prediksi produk pada kasus manufakturing semikonduktor yang direpresentasikan dataset SECOM. Formulasi model prediksi kualitas yang dilakukan pada dataset SECOM menghasilkan rules dengan tingkat akurasi tertinggi yaitu algoritma random forest dengan nilai akurasi sebesar 92,99%, F measure sebesar 0,9637, dan G-mean sebesar 0,4649. Hasil penelitian ini menyediakan informasi penting mengenai pengaruh setiap proses parameter terhadap kualitas akhir produk sehingga dapat digunakan sebagai pertimbangan untuk penyediaan prosedur data mining yang sistematis dalam rangka peningkatan kualitas proses manufaktur