Search

Mass customization is related to increasing the balance between the needs of companies that are focused on customers on conditions of production flexibility and efficiency. Product adjustment according to customer needs can increase the company's competitiveness. However, special production processes and adjustments are time consuming and cost inefficient. Parametric product modeling is a fairly popular technique for dealing with this problem. However, it still has challenges related to the high cost of software and a workforce that has special expertise in the field of quality control. In addition, product-specific designs cannot be tested quickly, resulting in a long production time. This study proposes a machine learning (ML) method that aims to obtain a fast time structure to analyze the production of orthopedic fixators. This research process requires a collection of training data with product attributes, physical characteristics, quality, selected ML techniques, and determination of the appropriate set of hyperparameters. Optimization results were obtained using the gradient boosting method with a value of . With these results, the orthopedic fixation device can be used in the case study of developing this machine learning model., Kustomisasi massal berkaitan dengan peningkatan keseimbangan antara kebutuhan perusahaan yang difokuskan pada pelanggan pada kondisi fleksibilitas dan efisiensi produksi. Penyesuaian produk yang sesuai kebutuhan pelanggan dapat meningkatkan daya saing perusahaan. Namun, proses dan penyesuaian produksi yang khusus memerlukan waktu lebih dan biaya yang tidak efisien. Pemodelan produk parametrik merupakan teknik yang cukup populer untuk menangani masalah ini. Namun, masih memiliki tantangan terkait biaya yang tinggi pada harga perangkat lunak serta tenaga kerja yang mempunyai keahlian khusus pada bidang kualitas kontrol. Selain itu, desain khusus produk tidak dapat diuji secara cepat, sehingga berdampak pada waktu produksi yang cukup lama. Penelitian ini mengusulkan metode Machine Learning (ML) yang bertujuan agar mendapatkan struktur waktu yang cepat untuk menganalisis hasil produksi fixator ortopedi. Proses penelitian ini membutuhkan kumpulan data latih dengan atribut produk, karakteristik fisik, kualitas, teknik ML yang dipilih, dan penentuan set hyperparameter yang tepat. Hasil optimasi diperoleh dengan menggunakan metode gradient boosting dengan nilai . Dengan hasil tersebut, perangkat fixator ortopedi dapat digunakan dalam studi kasus pengembangan model pembelajaran mesin ini.