Pengembangan Model Machine Learning Parameter Mesin Terhadap Temperatur Pada Mesin Sir Degasser Di Pt Xyz Menggunakan Extreme Gradient Boosting
Abstrak
Abstrak — Proses degassing penting dalam pembuatan billet
alumunium untuk menghilangkan pori yang dapat mengurangi
properti mekanik. Mesin degasser penting dalam proses ini
untuk menyuntikan gas argon dan mengaduk alumunium cair
untuk menghilangkan gelembung gas terperangkap. Kontrol
suhu penting dalam proses degassing yang lancar sehingga
sebuah model yang memberikan perkiraan nilai suhu dapat
membantu penyesuaian langsung pada parameter mesin untuk
menjaga suhu. Pemodelan aspek-aspek proses menggunakan
mesin atau juga dikenal sebagai machine learning semakin
marak digunakan dalam industri. Studi ini akan menggunakan
konsep dalam machine learning yang disebut sebagai extreme
gradient boosting. dan memberikan hasil terbaik ketika semua
variabel, yaitu torsi rotor, penggunaan ejektor, dan tekanan
udara, menjadi variabel input. Model ini dapat membantu
seorang operator dalam melakukan penyesuaian langsung
terhadap tekanan udara, penggunaan ejektor, dan torsi rotor
untuk menjaga suhu tetap optimal. Model yang dihasilkan
memberikan kesalahan rata-rata atau MAE sebesar 13.06C
dan rata-rata kesalahan relatif atau MAPE sebesar 2.523%.
Kata kunci— suhu, machine learning, degassing, rotor, tekanan
Referensi
[1] P. Zhang dkk., .Investigation of trap states in Al 2 O 3 InAlN/GaN metal–oxide–semiconductor highelectron-mobility transistors,= Chinese Physics B, vol. 24, no. 12, hlm. 127306, Des 2015, doi: 10.1088/1674-1056/24/12/127306.
[2] H. Kamoutsi, G. N. Haidemenopoulos, V. Bontozoglou, P. V. Petroyiannis, dan Sp. G. Pantelakis, .Hydrogen Trapping: Deformation and Heat Treatment Effects in 2024 Alloy,= dalam Fracture of Nano and Engineering Materials and Structures, Dordrecht: Springer Netherlands, 2006, hlm. 1293–1294. doi: 10.1007/1-4020-4972-2_642.
[3] C. Rathinasuriyan, K. Karthik, dan K. Sridhar, Investigation of degassing on aluminum alloy by rotatory impeller degasser,= Mater Today Proc, Mar 2023, doi: 10.1016/J.MATPR.2023.03.263.
[4] F. M. Soares dan R. C. L. Oliveira, .Modelling of temperature in the aluminium smelting process using Neural Networks,= dalam The 2010 International Joint Conference on Neural Networks (IJCNN), IEEE, Jul 2010, hlm. 1–7. doi:10.1109/IJCNN.2010.5596645.
[5] P. Tian, .Research On Laptop Price Predictive Model Based on Linear Regression, Random Forest and Xgboost,= Highlights in Science, Engineering and Technology, vol. 85, hlm. 265–271, Mar 2024, doi: 10.54097/9nx5ad16.
[6] P. Liu, X.-J. Li, T. Zhang, dan Y.-H. Huang, Comparison between XGboost model and logistic regression model for predicting sepsis after extremely severe burns,= Journal of International Medical Research, vol. 52, no. 5, Mei 2024, doi: 10.1177/03000605241247696.
[7] Muhamad Fikri, .Klasifikasi Status Stunting Pada Anak Bawah Lima Tahun Menggunakan Extreme Gradient Boosting,= Merkurius : Jurnal Riset Sistem Informasi dan Teknik Informatika, vol. 2, no. 4, hlm. 173–184, Jun 2024, doi: 10.61132/merkurius.v2i4.159.
[8] Q. Zhao, X. Liu, dan J. Fang, .Extreme Gradient Boosting Model for Day-Ahead STLF in National Level Power System: Estonia Case Study,= Energies (Basel), vol. 16, no. 24, hlm. 7962, Des 2023, doi: 10.3390/en16247962.
[9] Y. Pristyanto, Z. Mukarabiman, dan A. F. Nugraha, Extreme Gradient Boosting Algorithm to Improve Machine Learning Model Performance on Multiclass Imbalanced Dataset,= JOIV : International Journal on Informatics Visualization, vol. 7, no. 3, hlm. 710– 715, Sep 2023, doi: 10.30630/joiv.7.3.1102.
