Bagaimana jika machine learning tidak hanya digunakan untuk memprediksi produktivitas pekerja, tetapi juga dapat “dicari” konfigurasi terbaiknya agar menghasilkan prediksi yang lebih akurat dan konsisten? Inilah yang dieksplorasi oleh Muhammad Zharfan Saifullah Sondjaja melalui penelitiannya.

Kabar membanggakan kembali datang dari mahasiswa Program Studi Sistem Informasi SATU University. Muhammad Zharfan Saifullah Sondjaja berhasil membawa hasil pembelajarannya ke forum akademik internasional melalui artikel ilmiah berjudul “Hyperparameter Optimization of Gradient Boosting Regression Tree Using Grid Search for Garment Worker Productivity Prediction.”

Artikel tersebut telah diterima pada International Conference on Informatics and Computing (ICIC 2026).

Melalui penelitian ini, Zharfan mencoba memanfaatkan machine learning untuk menjawab salah satu persoalan penting dalam industri garment: bagaimana memperkirakan produktivitas pekerja berdasarkan berbagai faktor operasional produksi?

Namun penelitian ini tidak berhenti hanya dengan membandingkan beberapa algoritma.

Zharfan juga mengeksplorasi bagaimana hyperparameter optimization menggunakan Grid Search dapat meningkatkan performa model machine learning, khususnya Gradient Boosting Regression Tree (GBRT).

Ketika Data Digunakan untuk Memahami Produktivitas

Dalam industri garment, produktivitas pekerja memiliki pengaruh langsung terhadap berbagai aspek operasional perusahaan.

Produktivitas dapat berkaitan dengan efisiensi biaya, ketepatan penyelesaian produksi, pencapaian target, hingga daya saing perusahaan.

Masalahnya, produktivitas bukan sesuatu yang selalu dapat dijelaskan hanya dengan satu atau dua faktor.

Berbagai variabel operasional dapat saling berinteraksi dan membentuk hubungan yang kompleks. Polanya pun belum tentu linear.

Di sinilah machine learning menjadi menarik.

Dalam penelitian “Hyperparameter Optimization of Gradient Boosting Regression Tree Using Grid Search for Garment Worker Productivity Prediction,” Zharfan menggunakan Garment Worker Productivity Dataset dengan nilai actual productivity sebagai target yang akan diprediksi.

Beberapa algoritma dibandingkan untuk melihat pendekatan mana yang paling efektif dalam memperkirakan produktivitas pekerja, yaitu Linear Regression, Linear Support Vector Machine, Neural Network, dan Gradient Boosting Regression Tree atau GBRT.

Proses penelitian mencakup beberapa tahapan, mulai dari data preprocessing, cross-validation, perbandingan algoritma, hingga hyperparameter optimization menggunakan Grid Search Tuning.

Dengan pendekatan tersebut, model tidak hanya diuji berdasarkan satu kali pembagian data, tetapi dievaluasi secara lebih menyeluruh untuk melihat apakah performanya tetap konsisten ketika menghadapi bagian data yang berbeda.

GBRT Memberikan Performa Terbaik

Hasil eksperimen menunjukkan bahwa Gradient Boosting Regression Tree (GBRT) memberikan performa terbaik sekaligus lebih stabil dibandingkan algoritma lainnya.

Performa setiap model dievaluasi menggunakan beberapa metrik error, yaitu Mean Squared Error (MSE), Root Mean Squared Error (RMSE), dan Mean Absolute Error (MAE).

Dalam model regresi, semakin kecil nilai error tersebut, semakin dekat hasil prediksi model dengan nilai sebenarnya.

Keunggulan GBRT juga menarik karena algoritma ini menggunakan pendekatan ensemble learning.

Alih-alih mengandalkan hanya satu model, Gradient Boosting membangun serangkaian model secara bertahap. Setiap model berikutnya berusaha memperbaiki kesalahan yang masih dihasilkan oleh model sebelumnya.

Sederhananya, model tidak berhenti setelah membuat prediksi yang kurang tepat. Kesalahan tersebut justru digunakan sebagai informasi untuk membangun model berikutnya yang lebih baik.

Proses ini memungkinkan Gradient Boosting menangkap hubungan yang lebih kompleks di dalam data, termasuk pola-pola non-linear yang sulit ditangani oleh pendekatan regresi yang lebih sederhana.

Namun memiliki algoritma yang kuat saja belum tentu menghasilkan performa terbaik.

Masih ada satu pertanyaan penting:

Bagaimana kita menentukan konfigurasi terbaik untuk model tersebut?

Mencari Kombinasi Terbaik dengan Grid Search

Di sinilah bagian utama penelitian Zharfan menjadi semakin menarik.

Penelitian ini menerapkan hyperparameter optimization menggunakan Grid Search Tuning pada Gradient Boosting Regression Tree.

Hyperparameter merupakan konfigurasi yang ditentukan sebelum proses pelatihan model dilakukan. Pada Gradient Boosting, misalnya, konfigurasi tersebut dapat memengaruhi bagaimana model dibangun dan seberapa kompleks proses pembelajarannya.

Masalahnya, tidak selalu mudah mengetahui kombinasi parameter mana yang paling tepat.

Grid Search membantu menyelesaikan persoalan tersebut dengan cara menguji berbagai kombinasi hyperparameter secara sistematis, kemudian membandingkan hasilnya untuk menemukan konfigurasi yang menghasilkan performa terbaik.

Daripada memilih parameter berdasarkan tebakan atau sekadar menggunakan nilai default, proses tuning membuat pemilihan konfigurasi menjadi lebih terstruktur dan terukur.

Hasil penelitian Zharfan menunjukkan bahwa hyperparameter optimization mampu menurunkan nilai error sekaligus meningkatkan konsistensi model.

Temuan tersebut memperlihatkan bahwa performa machine learning tidak hanya bergantung pada algoritma yang digunakan.

Pemilihan model, strategi validasi, preprocessing, serta konfigurasi hyperparameter juga menentukan kualitas hasil akhir.

Penelitian ini sekaligus menunjukkan efektivitas pendekatan ensemble learning dalam memodelkan produktivitas pekerja garment serta pentingnya melakukan evaluasi stabilitas model menggunakan pendekatan multi-fold cross-validation.

Berawal dari Current Technology Information System

Menariknya, penelitian ini berawal dari proses pembelajaran di mata kuliah Current Technology Information System pada Program Studi Sistem Informasi SATU University.

Mata kuliah tersebut diampu oleh Pak Yudi Ramdhani dan menjadi ruang bagi mahasiswa untuk mengeksplorasi perkembangan teknologi terkini sekaligus melihat bagaimana teknologi tersebut dapat digunakan untuk menyelesaikan persoalan nyata.

Salah satu bidang yang dipelajari mahasiswa adalah data mining dan machine learning.

Data mining bukan sekadar aktivitas memasukkan dataset ke dalam software lalu menunggu grafik muncul secara ajaib.

Mahasiswa belajar bagaimana sebuah data perlu dipahami, dipersiapkan, diproses, dimodelkan, divalidasi, dan dievaluasi sebelum hasil analisisnya dapat dipercaya.

Dalam proses pembelajarannya, mahasiswa menggunakan RapidMiner untuk membangun berbagai eksperimen data mining dan machine learning.

Melalui pendekatan visual workflow, mahasiswa dapat mempelajari keseluruhan proses analitik mulai dari memasukkan dataset, melakukan preprocessing, menentukan algoritma, mengatur validasi, melakukan training dan testing, hingga mengevaluasi performa model.

Namun proses belajar tidak berhenti ketika workflow berhasil dijalankan.

Mahasiswa juga didorong untuk mengeksplorasi pertanyaan yang lebih jauh.

Mengapa satu algoritma memiliki performa lebih baik?

Apakah hasilnya tetap konsisten ketika data validasinya berubah?

Bisakah performanya ditingkatkan?

Apa yang terjadi ketika konfigurasi model dioptimalkan?

Pertanyaan-pertanyaan tersebut kemudian membawa Zharfan untuk mengeksplorasi Gradient Boosting Regression Tree dan Grid Search Tuning secara lebih mendalam.

Dari sebuah eksperimen dalam mata kuliah, penelitian tersebut berkembang menjadi sebuah studi yang membandingkan algoritma, melakukan cross-validation, mengevaluasi stabilitas model, hingga melakukan optimasi hyperparameter.

Dari tugas kuliah menjadi eksperimen. Dari eksperimen menjadi penelitian. Dan dari penelitian menjadi artikel ilmiah yang diterima di forum internasional.

Membawa Penelitian ke ICIC 2026

Artikel Zharfan selanjutnya akan menjadi bagian dari International Conference on Informatics and Computing (ICIC 2026).

ICIC merupakan konferensi internasional yang menjadi platform pertukaran informasi, pengetahuan, pengalaman, serta hasil penelitian dalam bidang Computer Science, Information Science, dan Computer Engineering. Konferensi ini diselenggarakan secara rutin sebagai ruang bagi akademisi dan peneliti untuk berbagi perkembangan dalam bidang informatika, komputasi, dan engineering.

Untuk tahun 2026, ICIC menjadi bagian dari rangkaian MUNAS VII APTIKOM 2026 yang diselenggarakan di Yogyakarta pada 8–10 Oktober 2026. Universitas Atma Jaya Yogyakarta menjadi host rangkaian kegiatan tersebut bersama APTIKOM.

Berdasarkan agenda resmi MUNAS VII APTIKOM 2026, sesi ICIC dilaksanakan di Gedung Santo Bonaventura Lantai 4, Universitas Atma Jaya Yogyakarta, mulai dari registrasi, keynote session, hingga dua sesi paralel tempat para pemakalah mempresentasikan hasil penelitiannya.

Konferensi ini juga mempertemukan peserta dengan akademisi internasional. Agenda resmi saat ini mencantumkan Prof. Ts. Dr. Mohd Shafry bin Mohd Rahim dari Universiti Teknologi Malaysia (UTM) sebagai salah satu keynote speaker ICIC.

Prof. Mohd Shafry saat ini menjabat sebagai Vice-Chancellor Universiti Teknologi Malaysia dan memiliki keahlian antara lain pada Artificial Intelligence dan image processing.

Dengan diterimanya artikel tersebut, Zharfan memiliki kesempatan untuk membawa hasil eksperimennya dari ruang kelas menuju forum tempat peneliti dan akademisi berbagi serta mendiskusikan karya mereka.

Pengalaman seperti ini memberikan kesempatan kepada mahasiswa untuk tidak hanya belajar bagaimana membangun model machine learning, tetapi juga bagaimana menyusun metodologi penelitian, menjelaskan hasil eksperimen, mempertanggungjawabkan pendekatan yang digunakan, dan mengomunikasikan temuannya kepada komunitas akademik yang lebih luas.

Belum Lulus, Karyanya Sudah Mendapat Rekognisi Internasional

Ada sesuatu yang menarik dari perjalanan penelitian ini.

Zharfan masih berstatus sebagai mahasiswa aktif.

Namun hasil pembelajaran yang dilakukannya sudah berkembang menjadi karya ilmiah yang diterima dalam sebuah konferensi internasional.

Di SATU University, mahasiswa tidak harus menunggu berada di semester terakhir atau selesai wisuda untuk mulai menghasilkan karya.

Apa yang dipelajari dalam mata kuliah dapat menjadi titik awal untuk mengeksplorasi sesuatu yang lebih jauh.

Sebuah dataset dapat menjadi eksperimen.

Eksperimen dapat berkembang menjadi penelitian.

Penelitian dapat menjadi artikel ilmiah.

Dan artikel ilmiah tersebut dapat membawa mahasiswa untuk berbagi hasil pemikirannya dalam forum internasional.

Perjalanan Zharfan menjadi salah satu contoh bagaimana pembelajaran dapat menghasilkan sesuatu yang melampaui nilai akhir mata kuliah.

Karena pada akhirnya, kuliah bukan hanya tentang berhasil mengumpulkan tugas beberapa menit sebelum deadline.

Yang jauh lebih penting adalah bagaimana pengetahuan yang dipelajari dapat digunakan untuk membangun project, memecahkan masalah, menghasilkan karya, dan membentuk portofolio yang menunjukkan kemampuan mahasiswa secara nyata.

Terima Kasih, Zharfan!

Selamat dan terima kasih kepada Muhammad Zharfan Saifullah Sondjaja atas kerja kerasnya dalam mengembangkan penelitian “Hyperparameter Optimization of Gradient Boosting Regression Tree Using Grid Search for Garment Worker Productivity Prediction.”

Terima kasih juga kepada Pak Yudi Ramdhani sebagai dosen pengampu mata kuliah Current Technology Information System yang telah memberikan ruang bagi mahasiswa untuk mengeksplorasi data mining dan machine learning hingga hasil pembelajaran tersebut dapat berkembang menjadi karya ilmiah.

Semoga diterimanya artikel ini di ICIC 2026 menjadi salah satu langkah awal menuju lebih banyak penelitian, project, kolaborasi, dan karya lainnya.

Dan semoga perjalanan Zharfan juga menginspirasi mahasiswa lain bahwa ketika rasa ingin tahu tidak berhenti setelah tugas dikumpulkan, sesuatu yang dimulai dari ruang kelas dapat menemukan jalannya menuju panggung yang jauh lebih besar.

From tuning a model to taking the research to an international stage.

Selamat, Zharfan!

Mulai Bangun Karyamu dari Sekarang

Kalau kamu tertarik dengan dunia data, Artificial Intelligence, machine learning, software development, business technology, dan bagaimana teknologi digunakan untuk menyelesaikan persoalan nyata, Program Studi Sistem Informasi SATU University bisa menjadi tempat untuk memulai perjalananmu.

Di Sistem Informasi SATU University, kuliah bukan hanya tentang mempelajari teknologi dari teori. Mahasiswa mendapatkan ruang untuk mengerjakan project, mengolah data, membangun aplikasi, melakukan penelitian, memperoleh pengalaman industri, serta mengembangkan hasil pembelajaran menjadi karya dan portofolio bahkan sebelum lulus.

Karena kamu tidak harus menunggu menyandang gelar sarjana untuk mulai menunjukkan apa yang bisa kamu lakukan.

Mulai perjalananmu bersama Sistem Informasi SATU University. Dari satu project di ruang kelas hari ini, siapa tahu karya berikutnya yang mendapat rekognisi di panggung internasional adalah milikmu.