Sistem Pendukung Keputusan Berbasis Metode Korelasi untuk Menganalisis Penyebab Tidak Tercapainya Target Produksi Batu Bara di PT XYZ

##plugins.themes.academic_pro.article.sidebar##

Published Feb 16, 2023
Download
PDF
Statistic
Vol. 8 No. 1 (2022): Seminar Nasional Teknik Elekto dan Informatika - September 2022

##plugins.themes.academic_pro.article.main##

Wa Ode Zalmawati
Politeknik Negeri Ujung Pandang
Muhammad Nur Yasir Utomo
Politeknik Negeri Ujung Pandang
Rini Nur
Politeknik Negeri Ujung Pandang

Abstract

Kegagalan pencapaian target produksi menjadi fenomena yang hampir tidak dapat dihindari dalam dunia bisnis, dimana hal tersebut tentunya akan bermuara pada kerugian bagi perusahaan terkait. Sangat penting bagi perusahaan untuk mengetahui penyebab kegagalan tercapainya target produksi agar dapat meminimalisir terjadinya potensi kerugian dikemudian hari. Untuk di PT XYZ sendiri terdapat departemen khusus yang bertugas untuk menganalisis penyebab tidak tercapainya target produksi. Namun berdasarkan hasil wawancara yang dilakukan bahwa hingga saat ini insight yang diperoleh tidak begitu mendukung, dikarenakan kualitas data yang tidak baik dan metode olah data yang diterapkan masih belum maksimal. Oleh karena itu, penelitian ini bertujuan untuk meng-improve kualitas data dengan serangkaian tahapan data gathering, data preparation, dan konsep ETL untuk mengungkap faktor-faktor penyebab tidak tercapainya target produksi batu bara pada PT XYZ. Penelitian ini berhasil meng-improve kualitas data pada perusahaan, dan banyak memperoleh temuan menarik dari data, sehingga berhasil mengungkap faktor faktor penyebab tidak tercapainya target produksi batu bara di PT XYZ. Faktor faktor penyebab tersebut dikategorikan berdasarkan nilai feature importance, koefisien korelasi, dan signifikansi (P-Value) pada variabel data yang berjumlah 28 sublead. Hasil dari seluruh tahapan analisis dituangkan dalam bentuk visualisasi data melalui website dengan tool Streamlit dan Python dengan data yang bersumber dari graph database Neo4J.

##plugins.themes.academic_pro.article.details##

References

  1. H. Maraden, T. Redeb, K. Berau, and P. Batubara,
  2. “PENAMBANGAN DI PT BERAU COAL,†vol.
  3. , pp. 138–144, 2021.
  4. M. A. Alfarizi, N. Nurhakim, and R. N. Hakim,
  5. “Hubungan Physical Availability Dan Used of
  6. Availability Terhadap Overburden Removal Di Pt
  7. Semesta Centramas,†J. Himasapta, vol. 5, no. 2,
  8. p. 29, 2020, doi: 10.20527/jhs.v5i2.2338.
  9. A. Suryadi, N. Nurhakim, and R. N. Hakim,
  10. “Analisis Pengaruh Effective Utilization Terhadap
  11. Ketercapaian Produksi Batubara Pt Semesta
  12. Centramas,†Jurnal GEOSAPTA, vol. 5, no. 1. p.
  13. , 2019, doi: 10.20527/jg.v5i1.5674.
  14. Binus, “Alpha dan p Value – Accounting,†2020.
  15. https://accounting.binus.ac.id/2020/12/19/alpha-
  16. dan-p-value/.
  17. S. Kumar and I. Chong, “Correlation analysis to
  18. identify the effective data in machine learning:
  19. Prediction of depressive disorder and emotion
  20. states,†Int. J. Environ. Res. Public Health, vol.
  21. , no. 12, 2018, doi: 10.3390/ijerph15122907.
  22. www.researchoptimus.com, “Correlation and
  23. Regression Analysis for Decision Making,†2022.
  24. https://www.researchoptimus.com/article/what-is-
  25. correlation.php.
  26. I. Syamsuddin, R. Nur, H. Nirwana, I. Abduh, and
  27. D. Al-Dabass, “Decision making analysis of video
  28. streaming algorithm for private cloud computing
  29. infrastructure,†Int. J. Electr. Comput. Eng., vol. 7,
  30. no. 6, pp. 3529–3535, 2017, doi:
  31. 11591/ijece.v7i6.pp3529-3535.
  32. J. J. Miller, “Graph database applications and
  33. concepts with Neo4j,†Proc. South. Assoc. Inf.
  34. Syst. Conf. Atlanta, GA, USA, vol. 2324, p. 36,
  36. R. Rosdiana, T. Eddy, S. Zawiyah, and N. Y. U.
  37. Muhammad, “Analisis Sentimen pada Twitter
  38. terhadap Pelayanan Pemerintah Kota Makassar,â€
  39. Proceeding SNTEI, no. June 2020, pp. 87–93,
  41. M. N. Y. Utomo, M. Sudaryanto, and K.
  42. Saddhono, “Tools and Strategy for Distance
  43. Learning to Respond COVID-19 Pandemic in
  44. Indonesia,†Ing. des Syst. d’Information, vol. 25,
  45. no. 3, pp. 383–390, 2020, doi:
  46. 18280/isi.250314.
  47. Fiana, “Memahami Numerical Feature Scaling
  48. Untuk Meningkatkan Performace Machine
  49. Learning,†2021.
  50. https://medium.com/easyread/memahami-semua-
  51. tentang-numerical-feature-scaling-dalam-8-menit-
  52. d79c65e0ccb6.