Perpustakaan
DESKRIPSI DATA LENGKAP
JudulImplementasi Ensemble Learning Dalam Predictive Maintenance Sparepart Kendaraan Di Kalla Toyota
Nama: HAIRUL YASIN
Tahun: 2025
Abstrak
Penelitian ini bertujuan untuk menguji efektivitas algoritma XGBoost dan Random Forest dalam memprediksi kebutuhan pemeliharaan sparepart kendaraan di Kalla Toyota, serta menerapkan pendekatan ensemble learning pada algoritma Decision Tree untuk mengevaluasi apakah metode ensemble dapat meningkatkan performa model. Dalam konteks meningkatnya jumlah kendaraan di Indonesia, pemeliharaan yang efisien menjadi krusial untuk mengurangi downtime dan biaya operasional. Metode predictive maintenance yang berbasis data historis pengguna layanan after sales Kalla Toyota digunakan untuk membangun model prediksi. Dataset yang digunakan mencakup data historis pemeliharaan dari Mei 2020 hingga April 2024. Hasil penelitian menunjukkan bahwa algoritma Random Forest dan XGBoost memiliki kinerja yang sangat baik, dengan nilai R-squared masingmasing 0.9900 dan 0.9896, serta MAPE yang rendah, yaitu 5.99?n 6.71%. Selain itu, segmentasi pelanggan menggunakan metode RFM memberikan wawasan penting untuk pengembangan strategi bisnis yang lebih terarah. Meskipun penerapan ensemble pada Decision Tree menunjukkan hasil yang baik, Random Forest dan XGBoost tetap lebih unggul dalam hal efisiensi akurasi prediksi. Penelitian ini diharapkan dapat menjadi landasan bagi pengembangan sistem predictive maintenance yang lebih canggih dan terintegrasi dengan sistem manajemen yang ada, serta memberikan kontribusi pada efisiensi operasional dan kepuasan pelanggan di industri otomotif.

Sign In to Perpus

Don't have an account? Sign Up