OPTIMALISASI ESTIMASI DURASI DRY-DOCKING KAPAL MENGGUNAKAN ARTIFICIAL NEURAL NETWORK (Studi Kasus: PT. Industri Kapal Indonesia) = OPTIMIZATION OF ESTIMATION OF SHIP DRY-DOCKING DURATION USING ARTIFICIAL NEURAL NETWORK (Case Study: PT. Industri Kapal Indonesia)

Salah satu fasilitas operasional penunjang kapal agar dapat tetap berlayar dengan kondisi yang layak adalah galangan kapal (shipyard). Peningkatan jumlah kapal skala nasional juga turut berdampak pada meningkatnya jumlah kapal yang masuk ke PT. IKI (Persero) pada kurun waktu tiga tahun belakangan dimulai sejak 2021 hingga 2023 di bulan Agustus. Peningkatan jumlah volume kapal di PT. IKI belum diimbangi dengan optimalisasi model estimasi durasi dry-docking kapal terhadap durasi penyelesaian sebenarnya. Berdasarkan data yang menampilkan jumlah kapal yang masuk di galangan PT. IKI, setidaknya terdapat sekitar 137 keterlambatan proyek kapal atau sekitar 86%. Salah satu cara dalam membuat model alternatif yang mampu mengestimasi durasi dry-docking kapal dengan lebih optimal, yaitu dengan memanfaatkan data mining. Upaya mengimplementasikan data mining dalam membuat model estimasi durasi dry- docking alternatif lainnya ini menggunakan model Artificial Neural Network (ANN) sebagai alat pemodelan komputasi yang kompleks. Tujuan penelitian ini adalah membuat model Artificial Neural Network untuk mengestimasi durasi dry- docking kapal melalui pengujian dan penilaian performa model ANN. Hasil penelitian ini berupa model ANN untuk mengestimasi durasi dry-docking dilakukan dengan dua simulasi, yaitu simulasi awal dan simulasi optimasi parameter model. Simulasi awal bertujuan untuk mengetahui apakah model dapat diimplementasikan konsepnya dengan menggunakan nilai parameter yang sama untuk setiap jenis model satu sampai sepuluh neuron. Sementara untuk simulasi optimasi parameter bertujuan untuk menemukan nilai kombinasi parameter model yang paling optimal dengan menggunakan seluruh nilai parameter dalam ketetapan jangkauannya. Penilaian performa model Artificial Neural Network (ANN) berdasarkan nilai parameter evaluasi model ANN dengan MSE (%) dan MAPE. Pertama, model ANN lima neuron merupakan model yang performanya paling baik pada simulasi awal dengan nilai MSE (%) sebesar 6% dan MAPE sebesar 28%. Kedua, model ANN dengan dua neuron merupakan model dengan performa paling optimal pada simulasi optimasi parameter dengan nilai MSE (%) sebesar 8% dan MAPE sebesar 30%. Kedua model tersebut dapat dikategorikan sebagai model yang layak untuk melakukan estimasi berdasarkan nilai MAPE dibawah 50%. Penilaian performa model ANN tersebut juga dapat dinilai berdasarkan selisih antara nilai estimasi kedua model (model ANN dan model perusahaan) terhadap nilai aktual/realisasi dry-docking kapal.