“…SVM = Support Vector Machine; LR = Linear Regression; NB = Naïve Bayes; RF = Random Forest; k-NN = k-Nearest Neighbour; ANN = Artificial Neural Network; GB = Gradient Boosting; BR = Bayesian Ridge; KR = Kernel Ridge; CART = Classification And Regression Trees; RVFL = Random Vector Functional Link; DT = Decision Trees; MP = Multilayer Perception; NN = Neural Network; DBSCAN = Densitybased Spatial Clustering of Applications with Noise; PR = Polynomial Regression; XGB = XG Boost; AB = Ada Boost; ARIMA = Autoregressice model Moving Average; MAL = Mean Absolute Lateness; RMSL = Root Mean Squared Lateness, FR = Fill Rate; FNN = Feed Forward Neural Network; DRBM = Deep Restricted Boltzmann Machine; SAN = Stack Autoencoder Network Berdasarkan beberapa artikel yang berhasil dikumpulkan dapat dilihat pada Tabel 2, bahwa machine learning sangat bermanfaat dalam beberapa aspek peningkatan produktivitas melalui diagnosis dan prediksi dalam membantu pengambilan suatu keputusan secara akurat, diantaranya yakni prediksi untuk meningkatkan akurasi inspeksi terhadap kualitas dengan mendeteksi suatu mesin atau produk dengan probabilitas tinggi menggunakan algoritma neural network (Brito et al, 2020) (Ko et al, 2017) (Park et al, 2016) (Carvajal Soto et al, 2019) (Diren et al, 2019) (Peres et al, 2019) (Escobar & Morales-Menendez, 2018), meningkatkan pengembangan produk untuk dapat mengendalikan variasi terhadap produk dengan menggunakan algoritma DBSCAN(Filz et al, 2020) (Ruiz et al, 2020) (Li, Zhang, et al, 2019), meningkatkan efisiensi dalam proses produksi seperti kontrol stok untuk mengevaluasi persediaan yang diharapkan sehingga menghemat biaya pemeliharaan dengan menggunakan algoritma autoregressive integrated moving average(Kim et al, 2019) (Murphy et al, 2019) (Syafrudin et al, 2018) (Bergmann et al, 2017) (J. H Han & Chi, 2016),. memaksimalkan dalam melaksanakan kegiatan perawatan preventif dan analisa kondisi mesin seperti dengan menggabungkan beberapa algoritma seperti CART, RF, K-NN dan SVM sehingga dapat mengklasifikasikan kondisi keausan alat dengan akurasi tinggi (Li, Liu, et al, 2019) (Paolanti et al, 2018) (Susto et al, 2015).…”