0416027602 - Fahmi Arif, S.T., M.T., Ph.D Dosen Pembimbing 1 Anggin Meylani / 132021009 Penulis

Kualitas adalah aspek penting dalam industri, berkontribusi langsung terhadap reputasi dan kepatuhan terhadap standar yang ditetapkan. Kontrol kualitas yang efektif dapat mengurangi kerugian akibat produk cacat dan meningkatkan kepuasan konsumen. Sebuah model prediksi berbasis machine learning dikembangkan untuk mendeteksi cacat multikelas dalam produksi gula kristal putih. Dengan menggunakan metodologi CRISP-DM, analisis dilakukan untuk memahami hubungan antara parameter proses produksi dan kualitas gula yang dihasilkan. Enam algoritma klasifikasi diuji untuk menentukan model terbaik, termasuk K-Nearest Neighbours (KNN), Support Vector Machine (SVM), dan Random Forest. Hasil evaluasi menunjukkan bahwa KNN memiliki akurasi tertinggi dan secara efektif menangani data yang beragam. Penelitian ini menunjukkan potensi machine learning untuk meningkatkan kontrol kualitas, meminimalkan cacat, dan meningkatkan kepuasan pelanggan dalam produksi gula kristal putih.