Perancangan Extreme Multi-Class Classifier untuk Segmentasi Produk pada Kawan Lama Group

Christiano Tjokro, Vincencius (2024) Perancangan Extreme Multi-Class Classifier untuk Segmentasi Produk pada Kawan Lama Group. MBKM thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (1MB)
	PDF BAB_I.pdf Download (439kB)
	PDF BAB_II.pdf Download (437kB)
	PDF BAB_III.pdf Download (5MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (307kB)
	PDF DAFTAR_PUSTAKA.pdf Download (178kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (5MB)
	PDF LEMBAR_PENGESAHAN.pdf Restricted to Registered users only Download (51kB)

Abstract

Kawan Lama Group sebagai perusahaan konglomerasi memiliki banyak unit bisnis di bawahnya. Kompleksitas ini menghadirkan tantangan berupa integritas data produk. Untuk mengatasi permasalahan tersebut implementasi Product Information Management (PIM) dilakukan. Dalam rangka menunjang kesiapan data dalam implementasi sistem PIM, segmentasi data produk ke dalam taksonomi yang bersifat umum serta tidak terikat ke dalam unit bisnis manapun perlu dilakukan. Untuk meningkatkan proses segmentasi yang sebelumnya dilakukan secara manual, pengembangan model Extreme Multi-Class Classifier (XMC) dilakukan melalui fine-tuning pada model deep learning SBERT dengan MultipleNegativeRanking sebagai loss function. Proses pelatihan pertama menghasilkan model dengan akurasi sebesar 79.45%, penambahan data latih mampu meningkatkan akurasi sebesar 85.21%. Kehadiran model XMC secara keseluruhan mampu meningkatkan produktivitas segmentasi sebesar 80% dengan pendekatan human-in-the-loop, menggabungkan kemampuan model dalam segmentasi pada threshold yang telah ditentukan dengan manusia dalam proses validasi serta segmentasi secara manual untuk data produk yang gagal tersegmentasi. Dari 833 produk per orang per hari, hasil segmentasi meningkat menjadi 1500 produk per orang per hari.

Item Type:

Thesis (MBKM)

Keywords:

Extreme Multi-Class Classifier, Segmentasi Produk, SBERT

Creators: