Logistic Regression (LR)

Normalization/Scaling

• Untuk model LR dan SVM, data numerik biasanya perlu di normalisasi dulu

• Normalisasi atau scaling adalah penyesuaian skala kolom-kolom numerik menjadi rentang tertentu. Misalnya rentang 0-1

Support Vector Machine (SVM)

• SVM tidak support kolom kategorikal secara langsung

• Oleh karena itu, kolom kategorikal perlu di encode, salah satunya dengan One Hot Encoding. Caranya menggunakan Node One to Many.

Decision Tree (DT)

• Data tidak harus di Normalize dulu

• Bisa meng-handle kolom kategorikal. Tidak harus di encode

Random Forest (RF)

• Pada dasarnya terdiri dari beberapa Decision Tree. Hasil prediksinya adalah agregat (rata-rata) dari semua model Decision Tree di dalamnya.

• Data tidak harus di Normalize dulu

• Bisa meng-handle kolom kategorikal. Tidak harus di encode

Extreme Gradient Boosting (XGBoost)

• Jika Random Forest langsung membangun banyak model Decision Tree secara paralel, XGBoost melakukannya secara sekuensial, bertahap

• Pada tiap tahap, model Decision Tree yang dibuat berusaha memperbaiki kesalahan model tahap sebelumnya

Ringkasan Dataset: Fault Prediction in Tablet Press Equipment

Dataset sintetis ini berisi sejumlah atribut penting yang digunakan untuk memprediksi kerusakan pada mesin tablet press. Setiap atribut menggambarkan kondisi operasional mesin, sehingga dapat digunakan oleh model machine learning untuk mendeteksi potensi kerusakan lebih awal dan mendukung pemeliharaan preventif.

Fitur

• Pressure: Menunjukkan tingkat tekanan di dalam mesin saat proses produksi berlangsung.

• Temperature: Menggambarkan perubahan suhu yang terjadi selama proses kompresi tablet.

• Speed: Menunjukkan kecepatan operasional atau kecepatan rotasi mesin.

• Vibration: Merepresentasikan tingkat getaran yang terdeteksi saat mesin beroperasi.

• Humidity: Menunjukkan tingkat kelembaban lingkungan tempat mesin beroperasi.

Target

• Failure: Variabel biner yang menunjukkan apakah terjadi kegagalan/kerusakan pada mesin (1 = gagal, 0 = normal).