Perancangan Model Prediksi Suhu Steam Tunnel Menggunakan Machine Learning pada Proses Pengukusan Bolu Lapis di PT XYZ

Abstract

Kestabilan suhu selama pengukusan merupakan faktor penting dalam menjaga mutu bolu lapis karena penyimpangan suhu dapat menyebabkan produk terlalu kering atau memiliki tinggi yang tidak sesuai standar. Penelitian ini bertujuan merancang model prediksi suhu pada setiap zona steam tunnel menggunakan machine learning, mengevaluasi kinerjanya, serta merancang modul prediksi suhu berbasis website untuk mendukung pemantauan suhu di PT XYZ. Perancangan dilakukan melalui dua iterasi. Iterasi pertama membandingkan algoritma Decision Tree, Random Forest, Gradient Boosting, LightGBM, dan XGBoost yang dioptimasi menggunakan Random Search, Grid Search, dan Optuna, sedangkan iterasi kedua menerapkan ensemble learning untuk meningkatkan performa prediksi. Kinerja model dievaluasi menggunakan MAE, MSE, RMSE, MAPE, dan R². XGBoost dengan Random Search menghasilkan model terbaik pada Zona 1 dengan nilai R² sebesar 0,95. XGBoost dengan Grid Search menghasilkan model terbaik pada Zona 2 dengan nilai R² sebesar 0,86. Stacking Regressor memberikan performa terbaik pada Zona 3 dan Zona 4 dengan nilai R² masingmasing sebesar 0,89 dan 0,85. Model kemudian diimplementasikan ke dalam modul prediksi suhu berbasis website dan memperoleh tingkat penerimaan sebesar 82,5% berdasarkan User Acceptance Testing (UAT), yang termasuk kategori sangat baik. Modul yang dirancang mampu mendukung pemantauan suhu steam tunnel sebagai dasar pengambilan keputusan untuk menjaga kestabilan proses pengukusan bolu lapis

Temperature stability during the steaming process is essential for maintaining layered cake quality, as temperature deviations may cause the product to become excessively dry or fail to meet the required height specifications. This study aimed to design a temperature prediction model for each steam tunnel zone using machine learning, evaluate its performance, and develop a website-based prediction module for temperature monitoring at PT XYZ. The model was developed through two iterations. The first compared Decision Tree, Random Forest, Gradient Boosting, LightGBM, and XGBoost optimized using Random Search, Grid Search, and Optuna, while the second applied ensemble learning. Performance was evaluated using MAE, MSE, RMSE, MAPE, and R². XGBoost optimized using Random Search achieved the best performance for Zone 1 with an R² of 0.95, while XGBoost optimized using Grid Search performed best for Zone 2 with an R² of 0.86. Stacking Regressor performed best for Zones 3 and 4 with R² values of 0.89 and 0.85, respectively. The website-based module achieved a User Acceptance Testing (UAT) score of 82.5%, categorized as very good, and supports steam tunnel temperature monitoring for decision-making during the steaming process