Detail Cantuman Kembali
SKEMA MAGANG: Perbandingan Algoritma Logistic Regression, Decision Tree, dan Random Forest untuk Klasifikasi Kegagalan Mesin Menggunakan Dataset AI41
- Bagikan:
Keandalan mesin merupakan faktor penting dalam menjaga kelancaran proses operasional di lingkungan industri, sehingga diperlukan pendekatan klasifikasi kegagalan mesin untuk memperkirakan kemungkinan kegagalan mesin sebelum kerusakan terjadi. Penelitian 1m bertujuan menerapkan dan membandingkan tiga algoritma klasifikasi, yaitu Logistic Regression, Decision Tree, dan Random Forest, untuk mengklasifikasikan kondisi mesin normal dan failure menggunakan AI412020 Predictive Maintenance Dataset yang terdiri atas
10.000 data dan 14 atribut.
Metode penelitian meliputi pemahaman dataset, pemilihan enam fitur (Type, air temperature, process temperature, rotational speed, torque, dan tool wear), penghapusan kolom yang berpotensi menyebabkan data leakage, pembagian data latih dan data uji dengan perbandingan 80:20 menggunakan stratifikasi, serta standardisasi fitur khusus untuk Logistic Regression. Ketiga model dilatih menggunakan parameter class_weight="balanced" untuk menangam ketidakseimbangan kelas, kemudian dievaluasi menggunakan accuracy, precision, recall, Fl-score, dan confusion matrix dengan kelas failure sebagai kelas positif. Evaluasi tambahan berupa 5-Fold Cross Validation, ROC-AUC, dan PR-AUC dilakukan untuk memastikan konsistensi hasil pada berbagai ambang batas klasifikasi, serta dikembangkan dashboard prediksi sebagai sarana pengujian interaktif terhadap ketiga model. Analisis feature importance dan koefisien model turut dilakukan untuk mengetahui fitur operasional yang paling berpengaruh terhadap hasil klasifikasi.
Hasil penelitian menunjukkan bahwa Random Forest memperoleh accuracy sebesar 98,10%, precision 94,12%, recall 47,06%, dan Fl-score 62,75%. Decision Tree memperoleh recall failure tertinggi sebesar 85,29%, sedangkan Logistic Regression memperoleh recall 82,35% dengan precision yang rendah, yaitu 14,18%. Berdasarkan Fl-score, Random Forest menunjukkan keseimbangan precision dan recall terbaik, sedangkan Decision Tree lebih unggul dalam
mendeteksi sebanyak mungkin data failure. Hasil 5-Fold Cross Validation menunjukkan performa yang konsisten dengan hasil pada data uji tunggal, dengan Random Forest memperoleh rata-rata accuracy tertinggi sebesar 97,86%. Analisis feature importance menunjukkan bahwa torque, rotational speed, dan tool wear merupakan fitur dengan kontribusi terbesar terhadap klasifikasi kegagalan mesin.
Kesimpulannya, pemilihan algoritma klasifikasi kegagalan mesin perlu disesuaikan dengan kebutuhan, yaitu Random Forest untuk mengurangi false alarm dan meningkatkan ketepatan prediksi, atau Decision Tree apabila prioritas utama adalah mendeteksi sebanyak mungkin kemungkinan kegagalan mesin.
Kata kunci: AI41 2020, Decision Tree, klasifikasi kegagalan mesin, Logistic Regression, Random Forest
Y.Yohakimi Marwanta S. Kom., M.Cs. - Personal Name
Risanjaya,Lalu Muhammad Ilham - 235410037 - Personal Name
Risanjaya,Lalu Muhammad Ilham - 235410037 - Personal Name
086 RIS P R.1
NONE
Text Skripsi
Indonesia
UNIVERSITAS TEKNOLOGI DIGITAL INDONESIA (UTDI)
2026
Yogyakarta
086 Informatika 2026
LOADING LIST...
LOADING LIST...