SMART MANUFACTURING MANAGEMENT SYSTEM MEMANFAATKAN BIG DATA DAN ALGORITMA MACHINE LEARNING UNTUK PRODUKSI UMKM: SMART MANUFACTURING MANAGEMENT SYSTEM MEMANFAATKAN BIG DATA DAN ALGORITMA MACHINE LEARNING UNTUK PRODUKSI UMKM

Muhammad Alif  Fathoni; Aldika Arta  Bhrata

doi:10.47701/sintech.v3i1.2523

Authors

Muhammad Alif Fathoni Jurusan sistem Informasi, Politeknik Indonusa Surakarta
Aldika Arta Bhrata Jurusan sistem Informasi, Politeknik Indonusa Surakarta

DOI:

https://doi.org/10.47701/sintech.v3i1.2523

Keywords:

Manufaktur, Big data ,Machine Learning

Abstract

Di era smart manufacturing menuntut perusahaan menerapkan teknologi big data dan artificial intelligence (kecerdasan buatan) untuk diterapkan di sistem manufaktur. Seiring berjalannya proses manufaktur maka data yang dihasilkan akan semakin besar maka diperluhkan analisis data agar data dapat dibaca sebagai statistik. Machine learning sebagai bagian dari artificial intelligence sangat diperluhkan untuk memberikan analisis, rekomendasi dan prediksi. Penerapan teknologi ini tidak hanya dibutuhkan untuk perusahaan besar namun juga perlu diterapkan di sektor UMKM termasuk di UMKM yang bergerak dibidang industri manufaktu r. Penelitian kami menggunakan metode pengumpulan data sekunder. Tujuan dalam penelitian ini adalah merancang smart manufacturing management system menerapkan big data dengan platform mongoDB dan Machine Learning dengan pemrograman python. Library yang diperluhkan numpy, pandas, scikit-learn dan matplotlib. Algoritma yang digunakan algoritma Support Vector Machine (SVM). Deployment menggunakan framework Django

References

Alimuddin Yasin, MZ Yumarlin, T. F. (2017). Analisis Kebutuhan Sistem Informasi di LPK RJ-COMP Yogyakarta. Seminar Nasional Informatika (SNIf), 1(1), 111–116.

Anagnostopoulos, C., & Kolomvatsos, K. (2015). Editorial. International Journal of Machine Learning and Cybernetics, 6(6), 873–874. https://doi.org/10.1007/s13042-015-0429-3

Fosso Wamba, S., Akter, S., Edwards, A., Chopin, G., & Gnanzou, D. (2015). How “big data” can make big impact: Findings from a systematic review and a longitudinal case study. International Journal of Production Economics, 165, 234–246. https://doi.org/10.1016/j.ijpe.2014.12.031

Franciscus, N., Ren, X., & Stantic, B. (2018). Precomputing architecture for flexible and efficient big data analytics. Vietnam Journal of Computer Science, 5(2), 133–142. https://doi.org/10.1007/s40595-018-0109-9

Imam, A. A., Basri, S., Ahmad, R., Watada, J., & González-Aparicio, M. T. (2018). Automatic schema suggestion model for NoSQL document-stores databases. Journal of Big Data, 5(1), 1–17. https://doi.org/10.1186/s40537-018-0156-1

Ispriyanti, D., & Hoyyi, A. (2016). ANALISIS KLASIFIKASI MASA STUDI MAHASISWA PRODI STATISTIKA UNDIP dengan METODE SUPPORT VECTOR MACHINE (SVM) dan ID3 (ITERATIVE DICHOTOMISER 3). Media Statistika, 9(1), 15–29.

https://doi.org/10.14710/medstat.9.1.15-29

Kaňovská, L. (2020). Are smart service manufacturing providers different in cooperation and innovation flexibility , in innovation performance and business performance from non- smart service manufacturing providers ? 12(4), 105–116. https://doi.org/10.2478/emj-

-0031

Pant, A. (2019). Workflow of a Machine Learning project. Towards Data Science , akses online 30 Juli 2012 URL:https://towardsdatascience.com/workflow-of-a-machine-learning- project-ec1dba419b94..

Salkuti, S. R. (2020). A survey of big data and machine learning. International Journal of Electrical and Computer Engineering, 10(1), 575–580. https://doi.org/10.11591/ijece.v10i1.pp575-580

Saputra1, D., & Aji, R. F. (2018). ANALISIS PERBANDINGAN PERFORMA WEB SERVICE REST MENGGUNAKAN FRAMEWORK LARAVEL, DJANGO DAN RUBY ON RAILS UNTUK AKSES DATA DENGAN APLIKASI MOBILE (Studi

Kasus: Portal E-Kampus STT Indonesia Tanjungpinang). Jurnal Ilmiah Bangkit Indonesia, 2(Vii), 6.

Singh, S. K., & Del Giudice, M. (2019). Big data analytics, dynamic capabilities and firm performance. Management Decision, 57(8), 1729–1733. https://doi.org/10.1108/MD-08- 2019-020

Wu, D., Jennings, C., Terpenny, J., Gao, R. X., & Kumara, S. (2017). A Comparative Study on Machine Learning Algorithms for Smart Manufacturing: Tool Wear Prediction Using Random Forests. Journal of Manufacturing Science and Engineering, Transactions of the ASME, 139(7), 1–9. https://doi.org/10.1115/1.4036350