Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pemilihan distribusi menjadi salah satu dasar dalam memodelkan frekuensi klaim. Pemodelan frekuensi klaim ini nantinya dapat berguna untuk perhitungan risiko dan penentuan besarnya premi murni. Salah satu distribusi yang biasa digunakan untuk memodelkan frekuensi klaim adalah distribusi Poisson. Pada praktiknya, parameter distribusi Poisson, λ, diasumsikan konstan sepanjang waktu. Namun, asumsi bahwa parameter bernilai konstan sepanjang waktu ini tidaklah realistis karena adanya faktor-faktor seperti perubahan dalam perilaku nasabah, perubahan dalam kebijakan asuransi, atau perubahan dalam kondisi ekonomi yang dapat mempengaruhi jumlah klaim yang diajukan. Oleh karena itu, mulai berkembang model distribusi prediktif untuk frekuensi klaim di mana parameter-parameternya bergantung pada waktu. Model-model tersebut dibagi menjadi dua kelas, yaitu model parameter-driven dan model observation-driven. Pada skripsi ini, dipilih model observation-driven yang banyak digunakan dan memiliki keunggulan daripada model lainnya, yaitu Generalized Autoregressive Score Models (GAS). Model GAS memanfaatkan fungsi likelihood dari observasi untuk mendapatkan skor yang digunakan sebagai mekanisme penggerak untuk memperbarui parameter distribusi. Mengingat parameter yang diperbarui pada skripsi ini adalah parameter dari distribusi Poisson, maka model GAS yang digunakan disebut model Poisson GAS. Parameter model Poisson GAS ini kemudian diestimasi berdasarkan suatu data ilustrasi dengan menggunakan metode maksimum likelihood melalui prediction error decomposition. Dengan memperoleh nilai estimasi parameter Poisson GAS, distribusi prediktif frekuensi klaim pada waktu berikutnya pun dapat ditentukan. Selain itu, juga diperoleh hasil bahwa model Poisson GAS mencerminkan sifat adaptif dan dinamis dalam merespons perubahan pola frekuensi klaim yang diamati sehingga cocok untuk memodelkan parameter distribusi prediktif frekuensi klaim.

---

Distribution selection is one of the foundations for modeling claim frequency. Modeling these claim frequency can later be useful for risk calculation and determining the pure premium. One of distribution that commonly used to model the claim frequency is Poisson distribution. In practice, the Poisson distribution parameter, λ, is assumed to be constant over time. However, the assumption that the parameters of the claim frequency that remain constant throughout this time is unrealistic due to factors such as changes in customer behavior, changes in insurance policy, or changes in economic conditions that could affect the number of claims reported. Therefore, a predictive distribution model for claim frequency where parameters depend on time is developed. These models are divided into two classes, parameter-driven models and observation-driven models. In this study, a widely used observation-driven model is selected and has advantages over other models, namely Generalized Autoregressive Score Models (GAS). The GAS model utilizes the likelihood function of the observation to obtain the score used as a driving mechanism to update the distribution parameters. Given that the parameters updated in this study are parameters of the Poisson distribution, then the GAS model used is called the GAS Poisson model. These Poisson GAS model parameters are then estimated based on an illustration data using the maximum likelihood estimation method via prediction error decomposition. By obtaining the Poisson GAS parameter estimation value, the predictive distribution of the claim frequency at a later time can be determined. Furthermore, results are also obtained that the Poisson GAS model reflects adaptive and dynamic properties in response to changes in the observed claim frequency pattern so that it is suitable to modeling predictive distribution parameters of the claim frequency."

"Industri pengolahan feronikel menghadapi tantangan kompleksitas proses, efisiensi energi, dan variabilitas kualitas produk, yang sebagian besar masih dikelola secara manual. Pada praktiknya, kontrol proses ini masih mengandalkan intuisi dan pengalaman operator untuk melakukan penyesuaian parameter. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model prediksi sekuensial berbasis machine learning (ML) untuk mesin rotary kiln (RK) dan electric furnace (EF), guna meningkatkan akurasi prediksi dan interpretabilitas dalam optimasi proses. Data historis operasional digunakan dan melalui tahap pra-pemrosesan yang termasuk imputasi missing value dengan Random Forest Imputation dan penanganan outlier dengan Local Winsorizing, yang terbukti signifikan dalam meningkatkan stabilitas data dan performa model. Model prediksi dikembangkan dalam arsitektur dua tahap, di mana keluaran prediksi dari model RK menjadi masukan bagi model EF. Evaluasi komprehensif terhadap berbagai algoritma ML menunjukkan bahwa Support Vector Regressor (SVR) optimal untuk prediksi RK dan XGBoost unggul untuk prediksi EF, secara konsisten menghasilkan error prediksi terendah. Secara spesifik, pada prediksi suhu kalsinasi (t kalsin), model SVR mencapai nilai MAE 27.74, MSE 1288.59, dan RMSE 35.90. Sementara itu, pada prediksi suhu logam akhir (metal temp), model XGBoost mencapai nilai MAE 9.91, MSE 239.50, dan RMSE 15.48. Analisis sensitivitas lebih lanjut mengonfirmasi bahwa propagasi kesalahan dalam pipeline sekuensial dapat diminimalisasi, yang dibuktikan dengan perbedaan MAE rata-rata antara penggunaan input aktual dan prediksi RK yang kurang dari 0.005 untuk sebagian besar variabel output EF. Melalui analisis Explainable AI (SHAP), fitur-fitur dominan yang memengaruhi proses diidentifikasi, sekaligus mengungkap interaksi non-linear yang krusial untuk pemahaman dinamika proses. Secara keseluruhan, model yang dikembangkan menunjukkan akurasi, robustness, dan interpretabilitas tinggi, menjadikannya solusi yang layak untuk mendukung pengambilan keputusan berbasis data di industri pengolahan feronikel yang kompleks dan dinamis.

---

The ferronickel processing industry faces challenges related to process complexity, energy efficiency, and product quality variability, which are still largely managed manually. In practice, process control relies heavily on operator intuition and experience for parameter adjustments. This study aims to develop and evaluate a sequential prediction model based on machine learning (ML) for the rotary kiln (RK) and electric furnace (EF) machines to enhance prediction accuracy and interpretability for process optimization. Historical operational data were used and subjected to a pre-processing stage that included missing value imputation with Random Forest Imputation and outlier handling with Local Winsorizing, which proved significant in improving data stability and model performance. The prediction model was developed in a two-stage architecture, where the predicted output from the RK model serves as an input for the EF model. A comprehensive evaluation of various ML algorithms showed that Support Vector Regressor (SVR) is optimal for RK prediction and XGBoost excels for EF prediction, consistently yielding the lowest prediction errors. Specifically, for calcine temperature prediction (t kalsin), the SVR model achieved an MAE of 27.74, MSE of 1288.59, and RMSE of 35.90. Meanwhile, for final metal temperature prediction (metal temp), the XGBoost model achieved an MAE of 9.91, MSE of 239.50, and RMSE of 15.48. Further sensitivity analysis confirmed that error propagation in the sequential pipeline can be minimized, as evidenced by a mean absolute error difference of less than 0.005 for most EF output variables between using actual and predicted RK inputs. Through Explainable AI (SHAP) analysis, dominant features influencing the process were identified, while also uncovering crucial non-linear interactions for understanding process dynamics. Overall, the developed models demonstrate high accuracy, robustness, and interpretability, making them a viable solution to support data-driven decision-making in the complex and dynamic ferronickel processing industry. "

"Industri pengolahan feronikel menghadapi tantangan kompleksitas proses, efisiensi energi, dan variabilitas kualitas produk, yang sebagian besar masih dikelola secara manual. Pada praktiknya, kontrol proses ini masih mengandalkan intuisi dan pengalaman operator untuk melakukan penyesuaian parameter. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model prediksi sekuensial berbasis machine learning (ML) untuk mesin rotary kiln (RK) dan electric furnace (EF), guna meningkatkan akurasi prediksi dan interpretabilitas dalam optimasi proses. Data historis operasional digunakan dan melalui tahap pra-pemrosesan yang termasuk imputasi missing value dengan Random Forest Imputation dan penanganan outlier dengan Local Winsorizing, yang terbukti signifikan dalam meningkatkan stabilitas data dan performa model. Model prediksi dikembangkan dalam arsitektur dua tahap, di mana keluaran prediksi dari model RK menjadi masukan bagi model EF. Evaluasi komprehensif terhadap berbagai algoritma ML menunjukkan bahwa Support Vector Regressor (SVR) optimal untuk prediksi RK dan XGBoost unggul untuk prediksi EF, secara konsisten menghasilkan error prediksi terendah. Secara spesifik, pada prediksi suhu kalsinasi (t kalsin), model SVR mencapai nilai MAE 27.74, MSE 1288.59, dan RMSE 35.90. Sementara itu, pada prediksi suhu logam akhir (metal temp), model XGBoost mencapai nilai MAE 9.91, MSE 239.50, dan RMSE 15.48. Analisis sensitivitas lebih lanjut mengonfirmasi bahwa propagasi kesalahan dalam pipeline sekuensial dapat diminimalisasi, yang dibuktikan dengan perbedaan MAE rata-rata antara penggunaan input aktual dan prediksi RK yang kurang dari 0.005 untuk sebagian besar variabel output EF. Melalui analisis Explainable AI (SHAP), fitur-fitur dominan yang memengaruhi proses diidentifikasi, sekaligus mengungkap interaksi non-linear yang krusial untuk pemahaman dinamika proses. Secara keseluruhan, model yang dikembangkan menunjukkan akurasi, robustness, dan interpretabilitas tinggi, menjadikannya solusi yang layak untuk mendukung pengambilan keputusan berbasis data di industri pengolahan feronikel yang kompleks dan dinamis.

---

The ferronickel processing industry faces challenges related to process complexity, energy efficiency, and product quality variability, which are still largely managed manually. In practice, process control relies heavily on operator intuition and experience for parameter adjustments. This study aims to develop and evaluate a sequential prediction model based on machine learning (ML) for the rotary kiln (RK) and electric furnace (EF) machines to enhance prediction accuracy and interpretability for process optimization. Historical operational data were used and subjected to a pre-processing stage that included missing value imputation with Random Forest Imputation and outlier handling with Local Winsorizing, which proved significant in improving data stability and model performance. The prediction model was developed in a two-stage architecture, where the predicted output from the RK model serves as an input for the EF model. A comprehensive evaluation of various ML algorithms showed that Support Vector Regressor (SVR) is optimal for RK prediction and XGBoost excels for EF prediction, consistently yielding the lowest prediction errors. Specifically, for calcine temperature prediction (t kalsin), the SVR model achieved an MAE of 27.74, MSE of 1288.59, and RMSE of 35.90. Meanwhile, for final metal temperature prediction (metal temp), the XGBoost model achieved an MAE of 9.91, MSE of 239.50, and RMSE of 15.48. Further sensitivity analysis confirmed that error propagation in the sequential pipeline can be minimized, as evidenced by a mean absolute error difference of less than 0.005 for most EF output variables between using actual and predicted RK inputs. Through Explainable AI (SHAP) analysis, dominant features influencing the process were identified, while also uncovering crucial non-linear interactions for understanding process dynamics. Overall, the developed models demonstrate high accuracy, robustness, and interpretability, making them a viable solution to support data-driven decision-making in the complex and dynamic ferronickel processing industry. "