Implementasi Six Sigma DMAIC Dan Random Forest Untuk Prediksi Defect Laboratorium Industri Ban

Abstrak

Industri ban nasional menghadapi tantangan dalam pengendalian kualitas karena defect yang tidak terdeteksi secara dini dapat memengaruhi keselamatan pengguna dan daya saing ekspor. Penelitian ini bertujuan mengintegrasikan Six Sigma DMAIC dan Random Forest untuk memprediksi defect berdasarkan data historis pengujian laboratorium PT Multistrada Arah Sarana Tbk. Dataset terdiri atas 15 atribut karakteristik kualitas dan satu variabel target status defect. Tire_ID dikeluarkan karena merupakan identifier unik, sehingga digunakan 14 fitur. Distribusi kelas menunjukkan rasio 3,27:1, dengan Non-Defect sebesar 76,6% dan Defect 23,4%, sehingga dikategorikan imbalance ringan dan ditangani melalui penyesuaian threshold menjadi 0,45 tanpa resampling. DMAIC digunakan sebagai kerangka pengendalian kualitas, sedangkan Random Forest diterapkan pada fase Analyze dan Improve. Hasil pengujian menunjukkan akurasi 96,70%, precision 91,19%, recall 95,09%, F1-Score 93,10%, dan AUC-ROC 0,971. Feature importance menunjukkan Cure_Temperature (21,87%) dan Uniformity_Index (17,54%) sebagai faktor dominan. Integrasi metode meningkatkan recall 20,79 poin persentase dibanding pendekatan konvensional, sehingga mendukung deteksi dini dan tindakan korektif yang lebih efektif. Pendekatan ini memperkuat transformasi pengendalian kualitas dari reaktif menjadi prediktif, membantu prioritisasi parameter kritis, serta meningkatkan efektivitas perbaikan berbasis bukti dan pemantauan proses berkelanjutan di laboratorium.