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