REVIEW JURNAL DENGAN TOPIK ALGORITMA YANG DIGUNAKAN PADA DATA MINING
Oleh
AYU LESTARI 237025017
M A G I S T E R T E K N I K I N D U S T R I F A K U L T A S T E K N I K
UNIVERSITAS SUMATERA UTARA M E D A N
2 0 2 4
Judul: Enhancing Supply Chain Resilience: A Machine Learning Approach for Predicting Product Availability Dates under Disruption Peneliti:
• Mustafa Can Camur
• Sandipp Krishnan Ravi
• Shadi Saleh Tahun: 2024
Pendahuluan
Makalah ini merupakan tinjauan terhadap artikel ilmiah berjudul
"Enhancing Supply Chain Resilience: A Machine Learning Approach for Predicting Product Availability Dates under Disruption" yang dipublikasikan di jurnal Expert Systems with Applications. Artikel ini membahas penggunaan algoritma pembelajaran mesin untuk memprediksi tanggal ketersediaan produk
dalam rangka meningkatkan ketahanan rantai pasok, terutama di tengah gangguan global seperti pandemi COVID-19 dan konflik geopolitik.
Latar Belakang Masalah
Rantai pasok global menghadapi tantangan besar berupa ketidakpastian tanggal ketersediaan produk dari pemasok, yang memengaruhi perencanaan logistik dan inventaris. Studi ini memfokuskan pada optimasi logistik untuk General Electric (GE) Gas Power, yang memanfaatkan data historis untuk memprediksi tanggal ketersediaan menggunakan berbagai algoritma regresi.
Metodologi
Artikel ini menggunakan algoritma berikut dalam memprediksi tanggal ketersediaan:
1. Regresi Sederhana 2. Lasso Regression 3. Ridge Regression 4. Elastic Net
5. Random Forest (RF)
6. Gradient Boosting Machine (GBM) 7. Neural Network (NN)
Setiap model dievaluasi berdasarkan indikator kinerja statistik seperti Root Mean Squared Error (RMSE) dan R2. Data yang digunakan mencakup informasi pengiriman dari 2019 hingga 2022.
Hasil Penelitian
• Performa Model: Tree-based models seperti Random Forest dan GBM menunjukkan performa terbaik dengan tingkat kesalahan prediksi terendah.
Model Neural Network juga memberikan hasil yang mendekati.
• Feature Importance: Variabel seperti Latest Promise Date, Latest Need by Date, dan Supplier Code merupakan fitur terpenting dalam prediksi.
Sebaliknya, Contract Delivery Date memiliki kontribusi rendah karena banyaknya data yang hilang.
• Analisis Statistik: Model RF dan GBM menunjukkan distribusi histogram prediksi yang simetris dan terkonsentrasi di sekitar nol, menunjukkan akurasi yang lebih tinggi dibandingkan model lainnya.
Diskusi dan Implikasi Praktis
Penelitian ini menunjukkan bahwa algoritma berbasis pohon (RF dan GBM) memiliki potensi besar dalam manajemen risiko rantai pasok. Dengan akurasi prediksi yang lebih tinggi, perusahaan dapat meningkatkan efisiensi logistik, mengurangi biaya inventaris, dan memitigasi dampak gangguan rantai pasok.
Selain itu, pengelolaan data yang lebih baik, seperti pengurangan data yang hilang, diharapkan dapat meningkatkan kinerja model.
Kesimpulan
Penggunaan algoritma pembelajaran mesin, terutama model berbasis pohon, dapat secara signifikan meningkatkan ketahanan rantai pasok dengan memprediksi
tanggal ketersediaan produk secara lebih akurat. Studi ini memberikan kontribusi praktis bagi perusahaan dalam mengembangkan strategi rantai pasok yang lebih tangguh.
Judul: An Integrated Data Mining Framework for Organizational Resilience Assessment and Quality Management Optimization in Trauma Centers Peneliti:
• Madjid Tavana
• Salman Nazari-Shirkouhi
• Amir Mashayekhi
• Saeed Mousakhani Tahun: 2022
Pendahuluan
Makalah ini mereview artikel ilmiah berjudul “An Integrated Data Mining Framework for Organizational Resilience Assessment and Quality Management Optimization in Trauma Centers”. Artikel ini mengeksplorasi kerangka kerja data mining yang terintegrasi untuk menilai resiliensi organisasi dan mengoptimalkan manajemen mutu di pusat trauma, menggunakan kombinasi algoritma machine learning serta analisis statistik.
Latar Belakang Masalah
Resiliensi organisasi di pusat trauma sangat penting dalam menghadapi risiko, baik yang terprediksi maupun tidak. Evaluasi resiliensi organisasi dan pengelolaan mutu menjadi langkah strategis untuk meningkatkan efektivitas layanan kesehatan. Penelitian ini mengembangkan model berbasis European Foundation for Quality Management (EFQM) untuk menilai indikator resiliensi dan kinerja pusat trauma.
Metodologi Penelitian
Studi ini menggunakan kombinasi algoritma data mining berikut:
1. Genetic Programming (GP): Algoritma evolusi untuk menentukan struktur optimal dan koefisien model.
2. Support Vector Regression (SVR): Digunakan untuk menangani struktur data nonlinier yang kompleks.
3. Gaussian Process Regression (GPR): Menyediakan distribusi fleksibel untuk regresi probabilistik.
Penelitian ini juga menerapkan analisis faktor untuk menguji validitas dan reliabilitas data masukan, serta analisis efisiensi menggunakan metode Fuzzy Data Envelopment Analysis (DEA).
Hasil Penelitian
• Performa Model: GP memiliki nilai Mean Absolute Percentage Error (MAPE) terendah dibandingkan algoritma lainnya, sehingga dianggap sebagai model optimal.
• Validasi Model: Validasi dilakukan melalui analisis sensitivitas dan pengujian statistik (uji Kruskal–Wallis dan t-test berpasangan). Model fuzzy DEA dipilih untuk mengkonfirmasi efisiensi pusat trauma.
• Indikator Penting: Hasil menunjukkan indikator customer results, cognitive resources, dan roles and responsibilities memberikan pengaruh positif terbesar terhadap kinerja pusat trauma.
Diskusi dan Implikasi
Kerangka kerja yang diusulkan mampu mengintegrasikan indikator resiliensi organisasi dan manajemen mutu. Temuan ini relevan untuk membantu pengelola pusat trauma dalam meningkatkan efisiensi dan efektivitas operasional, terutama pada skenario krisis. Pendekatan ini juga dapat diterapkan pada industri lain, termasuk manufaktur dan transportasi.
Kesimpulan
Model ini menawarkan pendekatan inovatif untuk meningkatkan resiliensi organisasi dan kualitas manajemen di pusat trauma. Penggunaan algoritma GP, SVR, dan GPR memberikan akurasi tinggi dalam memprediksi efisiensi. Studi ini menekankan pentingnya indikator resiliensi, seperti sumber daya kognitif dan hasil pelanggan, untuk meningkatkan performa pusat trauma.
