Penerapan Metode Extreme Learning Machine (ELM) Untuk Memprediksi Jumlah Produksi Pipa Yang Layak (Studi Kasus Pada PT. KHI Pipe Industries)

##plugins.themes.bootstrap3.article.main##

Nirzha Maulidya Ashar Imam Cholisoddin Candra Dewi

Abstrak

KHI Pipe Industries merupakan perusahaan yang memproduksi pipa baja berkualitas tinggi. Dalam aktivitas produksinya, perusahaan ini melakukan proses produksi berdasarkan permintaan pelanggan dengan spesifikasi pengukuran diameter, ketebalan, dan panjang pipa. Dalam proses produksinya, hasil produksi pipa yang layak tidak mutlak sesuai dengan jumlah permintaan pelanggan, diperkirakan terdapat pipa yang rusak sehingga mengakibatkan pemenuhan permintaan pelanggan tidak dapat berjalan lancar. Perusahaan harus mengeluarkan biaya tambahan untuk bahan baku agar total produksi bertambah dan menutupi jumlah pipa yang rusak. Jumlah produksi pada setiap spesifikasi permintaan berbeda-beda sehingga menjadi kendala dalam mengambil kebijakan untuk memprediksi jumlah pipa yang layak. Dengan adanya prediksi jumlah pipa yang layak dapat membantu perusahaan dalam mengambil keputusan untuk menentukan target produksinya. Penelitian ini menerapkan metode dari Jaringan Saraf Tiruan (JST) yaitu Extreme Learning Machine (ELM) untuk memprediksi jumlah produksi pipa yang layak. Proses prediksi yaitu dengan normalisasi, training, testing, dan denormalisasi, serta melakukan perhitungan nilai error menggunakan Mean Square Error (MSE). Berdasarkan pengujian yang dilakukan, penggunaan 7 hidden neuron, 5 fitur, dan persentase perbandingan 80% data training 20% data testing menghasilkan nilai error terkecil dengan rata-rata 0,00372 dengan selisih ± 1% dari data aktual.

##plugins.themes.bootstrap3.article.details##

Cara Sitasi
Ashar, N., Cholisoddin, I., & Dewi, C. Penerapan Metode Extreme Learning Machine (ELM) Untuk Memprediksi Jumlah Produksi Pipa Yang Layak (Studi Kasus Pada PT. KHI Pipe Industries). Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 2, no. 11, p. 4621-4628, mei 2018. ISSN 2548-964X. Tersedia pada: <http://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/3023>. Tanggal Akses: 26 mei 2020
Bagian
Artikel