WENDI ONGKI NUGROHO SAPUTRO, . (2026) PREDIKSI DURASI PENGERINGAN PAPAN KAYU PADA PROSES PENGERINGAN MESIN KILN MENGGUNAKAN PENDEKATAN MACHINE LEARNING. Skripsi thesis, Universitas Pembangunan Nasional "Veteran" Yogyakarta.
|
Text
122220163_Cover - Wendi Ongki.pdf Download (84kB) |
|
|
Text
122220163_Abstrak - Wendi Ongki.pdf Download (16kB) |
|
|
Text
122220163_Halaman Pengesahan - Wendi Ongki.pdf Download (428kB) |
|
|
Text
122220163_Daftar Isi - Wendi Ongki.pdf Download (104kB) |
|
|
Text
122220163_Daftar Pustaka - Wendi Ongki.pdf Download (107kB) |
|
|
Text
122220163_Fulltext - Wendi Ongki.pdf Restricted to Repository staff only Download (6MB) |
Abstract
PT Alis Jaya Ciptatama menghadapi kendala operasional berupa deviasi yang signifikan antara durasi pengeringan papan kayu teoritis (14 hari) dengan kondisi aktual di lapangan yang bervariasi antara 9 hingga 43 hari. Kadar air (moisture content) merupakan kriteria fundamental yang menentukan stabilitas dimensi dan kualitas kayu, sehingga ketidakpastian waktu pengeringan ini menyebabkan hambatan arus produksi (bottleneck) serta kesulitan dalam perencanaan logistik pengiriman barang. Penelitian ini bertujuan untuk mengembangkan model machine learning yang mampu memprediksi durasi waktu pengeringan secara akurat berdasarkan data historis operasional perusahaan periode Januari 2024 hingga Maret 2026.
Metodologi penelitian mencakup tahap data preprocessing melalui agregasi data pada level batch, pembersihan data, dan penanganan outlier. Selain itu, dilakukan feature engineering untuk menghasilkan fitur interaksi cuaca dan beban fisik muatan. Ukuran dataset awal hanya terdiri dari 166 batch dilakukan augmentasi untuk memperkaya variasi sampel hingga mencapai 311 data latih untuk meningkatkan kemampuan generalisasi model. Lima algoritma regresi dibandingkan dalam penelitian ini, yaitu Multiple Linear Regression, Random Forest, Extra Trees, Gradient Boosting, dan XGBoost.
Hasil penelitian menunjukkan bahwa algoritma XGBoost hasil hyperparameter tuning memberikan performa terbaik dan ditetapkan sebagai model final. Pengujian pada skenario dengan penyertaan fitur cuaca (Skenario 1) terbukti lebih unggul dengan nilai R2 sebesar 0,8401 dan MAE sebesar 1,7335 hari pada data uji independen. Performa ini jauh melampaui model baseline Multiple Linear Regression yang hanya memperoleh R2 sebesar 0,0164, mengonfirmasi adanya hubungan non-linear yang kompleks antara variabel prediktor dengan durasi pengeringan. Analisis feature importance mengungkapkan bahwa fitur bulan_in memberikan kontribusi paling dominan sebesar 29,73%, diikuti oleh fitur interaksi hujan_x_tebal (7,81%) dan target mc_akhir_ket_max (7,68%). Model ini diimplementasikan ke dalam aplikasi berbasis web menggunakan framework Streamlit untuk mendukung pengambilan keputusan penjadwalan produksi dengan 82,4% prediksi berada dalam rentang toleransi kesalahan ±3 hari.
| Item Type: | Tugas Akhir (Skripsi) |
|---|---|
| Uncontrolled Keywords: | Kata Kunci: Machine learning, Kiln drying, XGBoost, Prediksi Durasi, Industri Pengolahan Kayu. |
| Subjek: | T Technology > TS Manufactures |
| Divisions: | Fakultas Teknik Industri > (S1) Teknik Industri |
| Depositing User: | UPA Perpustakaan |
| Date Deposited: | 04 Nov 2026 08:21 |
| Last Modified: | 04 Nov 2026 08:21 |
| URI: | http://eprints.upnyk.ac.id/id/eprint/50081 |
Actions (login required)
![]() |
View Item |
