在觸控面板製程的不同階段，薄膜製程的參數如薄膜材料的選擇、厚度的控制、製程溫度等都扮演著關鍵性的角色。這些參數的微小調整就可能對觸控面板的靈敏度、耐久性和反應速度等性能產生深遠的影響。因此，在製程設計階段，為確保薄膜製程參數的正確設定至為必要。本研究的核心目標是改善H公司目前所面臨的製程監控問題，為了達成這一目標，此研究要找出與異常相關之因子，旨在及早檢測並預測製程中的異常情況，從而降低企業的生產成本，提高競爭能力。將深入探討所應用於薄膜製程的因子，包括設備參數及製程參數，以清楚製程中的重要因子以便提出相應的解決方案。而進行的資料分析，我們將應用RIPPER演算法這種機器學習算法，用以處理此研究中獲得的不平衡資料，透過RIPPER演算法的分析，我們將更清晰地辨識出製程中的異常點，有助於迅速調整參數，保障製程的穩定性。另一個重要的製程監控則為阻值穩定性，這可利用迴歸分析中的自變數及因變數的分析手法，將阻值當作因變數，利用設備參數及製程參數作為自變數，以預測阻值數值，使得阻值能於製程設計目標值，而過高或過低的阻值數值皆會影響製程穩定性。經過研究資料分析，RIPPER演算法最終分析出幾個重要因子，如特定產品種類、製程pump使用壽命、靶材使用率、阻值和功率等因子對異常的發生至關重要；而對於阻值的預測問題，則發現鍍膜時間、功率和製程壓力等三個主要因子對阻值表現具有顯著影響。以上發現將有助於H公司提高生產流程的穩定性和效率，進而提升產品品質和企業競爭力，進一步提升其在市場上的競爭力。

In the magnetron sputtering process of touch panels, the parameters of this process, such as film material and temperature, play crucial roles to the film thickness of the panels. It is thus essential to know the impact of the parameters on the quality of touch panels in designing their manufacturing process. The main objective of this study is to identify critical factors related to the abnormal occurrences in the manufacturing process of touch panels for company H, so that any abnormality of the process can be detected earlier to enhance the competitiveness of this company. The manufacturing parameters include target materials and the settings on equipment. The film on each touch panel is categorized as normal or abnormal, and the resistance of each panel is also measured for filtering critical factors. Since the quantity of normal panels is far larger than that of abnormal panels, RIPPER algorithm is employed to classify the imbalanced data obtained in this study. The parameters identified from the RIPPER algorithm for the abnormality include product type, pump age, and the life and power of film material. Engineers should pay their attention on those factors to ensure the stability of the manufacturing process. Multiple linear regression is used to analyze the resistances of touch panels, and there are six significant parameters in the regression model. Those parameters provide necessary information in adjusting the manufacturing process for satisfying the specification on the resistance of touch panels.

王鼎宏(2016)。使用機器學習方法預測加權指數之研究。國立成功大學經營管理碩士論文。
林義鈞、黃智勇、陳冠州、李昌駿、劉彥禹、張哲培(2022)。濺鍍設備之薄膜應力模擬分析技術。機械工業雜誌。475期。第14-21頁。
林鋼、张汉焱、孙楹煌、黄仁松、胡庆文(2015)。MoNb 薄膜直流磁控溅射制备及性能研究。Electronic Components and Materials 。34卷7期。第42至45頁。
林怡君(2021)。應用模式樹探討沼氣發電效率的影響因子。國立成功大學工業與資訊管理學系碩士在職專班論文。
柯賢文(2016)。表面與薄膜處理技術。台北：全華圖書股份有限公司。第5-2至5-20頁。
梁家熏(2023)。以直流磁控濺鍍法製備 CrN與 CrSiN薄膜於氮氧化處理 Vanadis 23高速鋼之性質研究。國立台北科技大學材料科學與工程研究所碩士論文。
陳田協(2015)。應用資料探勘改善偏光板翹曲問題-以T公司為例。國立成功大學工業資訊管理學系碩士在職專班論文。
張語恬、朱基銘、簡戊鑑、周雨青、楊燦、盧瑜芬、白健佑、白璐、Thomas Wetter、孫建安、羅慶徽(2007)。比較三種資料探勘演算法預測子宮頸癌五年存活的外部通用性效能。台灣家庭醫學雜誌。17卷4期。第222-238頁。
楊子輝(2015)。物理氣相沉積金屬與介電薄膜經快速熱退火後之機械性質與介面強度實驗研究。國立成功大學機械工程學系碩士論文。
黃瀚賦(2023)。以直流磁控濺鍍法沉積CrSiN鍍膜於氮氧化處理Vanadis 60高速鋼之磨耗特性和機械性質硏究。國立台北科技大學材料科學與工程研究所碩士論文。
黃聖堯(2015)。鈮添加量對高合金不銹鋼高溫氧化行為之研究。國立成功大學材料科學及工程學系博士論文。
黃柔螢(2022)。運用意見探勘技術於類別不平衡資料集。中原大學資訊管理學系碩士在職專班論文。
黃誌成(2017)。應用模式樹與偏最小平方法預測氧化銦錫薄膜電阻值之研究。國立成功大學工業與資訊管理學系碩士在職專班論文。
曹彦珍、何云斌、朱素霞、孙广路(2017)。基于 RIPPER 的网络流量分类方法。 Journal of Harbin University of Science & Technology。22卷5期。第85-90頁。
游雅雯、鄭博文、林宏茂、梁玉芬(2012)。以資料探勘技術預測健康檢查大腸息肉之風險因子。醫務管理期刊。13卷3期。第162-178頁。
賴文鋒(2023)。利用薄膜沉積技術製作突狀結構應用於具有圖樣化電極的染料敏化太陽電池。國立成功大學微電子工程研究所博士論文。
Andresa, B., Fransisco, S., Jacobo, P., Jose, M., and Gustavo, P. (2018), ‘Sputtering physical vapour deposition (PVD) coatings: A critical review on process improvement and market trend demands’, Coatings, Vol. 8, pp. 402-413
Amir, H.R., Zeinab L., and Ala M. (2012), ‘Predict edges in fliker social network using data mining method.’, Scientific Research Intelligent Information Management, Vol. 4, pp. 60-65
David, R.A., Dennis, J.S., Thomas, A.W., Jeffrey D.C., and James, J.C. (2013), ‘Statistics for Business and Economics’ (12th ed.), Cengage Learning, pp. 859-881
Eckertova L. and Ruzicka T.(1993), ‘Diagnostics and applications of thin films’ (2nd ed.), Institute of Physics Publishing, pp. 55-63
Kalmegh, S. R. (2022), ‘Comparative analysis of categorization of car reviews dataset by using WEKA classification algorithm rules NNGE and JRip’, International Journal of Current Science, Vol. 12, pp. 876-880
Milton, O. (1992), ‘The Materials Science of Thin Films’, Academic Press
Radhika, G., Anjali, S., and Ramesh C.J. (2012), ‘Parallel misuse and anomaly detection model’, International Journal of Network Security, Vol. 14, pp. 211-222
Rajeswari, V. and Arunesh, K. (2016), ‘Analyzing soil data using data mining classification techniques’, Indian Journal of Science and Technology, Vol. 9, pp. 1-4.
Soares-Aguiar, A. & Palma-Dos-Reis, A. (2008), ‘Why do firms adopt e-procurement systems? Using logistic regression to empirically test a conceptual model’, Transactions on Engineering Management, Vol. 55, pp. 120-133
Sudip M., Goutam S., and Rajat K.P. (2013), ‘An approach towards automated disease diagnosis & drug design using hybrid rough-decision tree from microarray dataset’, Computer Science Systems Biology, Vol. 6, pp. 337-343
Weiss, G. M. & Provost, F.(2003), ‘Learning when training data are costly: The effect of class distribution on tree induction’, Journal of Artificial Intelligence Research, Vol.19, pp. 315-354
Williams, W. C. (1995), ‘Fast Effective Rule Induction’, Machine Learning Proceedings, pp. 115-123
Wong, G.Y., Leung, F. H. F., & Ling, S.-H. (2018). A hybrid evolutionary preprocessing method for imbalanced datasets. Information Sciences, Vol. 454, pp. 454-455