Desain dan Implementasi Sistem Prediksi Produksi Emas pada Mesin SAG-Mill Menggunakan Support Vector Regression

Izzuddin, Muhammad Naufal (2023) Desain dan Implementasi Sistem Prediksi Produksi Emas pada Mesin SAG-Mill Menggunakan Support Vector Regression. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 10311910000027-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 September 2025. Download (2MB) | Request a copy

Abstract

Saat ini tantangan industri adalah transformasi digital dan otomatisasi sistem untuk mendapatkan data penting dari proses produksi secara tepat dan akurat. Sekumpulan data ini dapat dijadikan dasar pengambilan keputusan di level enterprise. Prediksi merupakan salah satu kegiatan yang sering dilakukan untuk membantu penentuan suatu hal. Prediksi terhadap hasil grinding emas pada mesin semi-autogenous mill diperlukan sebagai keputusan bagi pihak manajemen tepatnya level enterprise untuk merancang anggaran kebutuhan selanjutnya pada proses tersebut. Berdasarkan kebutuhan tersebut, proyek akhir ini menggunakan metode Support Vector Regression (SVR) untuk memprediksi hasil produksi pada proses grinding yang bersifat non linear. SVR merupakan metode dari machine learning yang diterapkan pada
permasalahan regresi yang akan menghasilkan keluaran bernilai kontinu. Dalam penerapan SVR digunakan suatu fungsi kernel untuk memetakan data ke ruang fitur berdimensi tinggi, sehingga data nonlinear tidak perlu diubah menjadi linear pada ruang masukan dan perhitungan menjadi lebih efisien. Kernel yang digunakan adalah kernel linear dan kernel polinomial. Data yang digunakan untuk prediksi adalah hasil produksi grinding emas dengan jumlah 273 data harian produksi grinding emas. Data training sebanyak 218 data dan data testing sebanyak 55 data dari keseluruhan data. Kriteria yang digunakan dalam mengukur keakuratan model adalah menghitung Mean Absolute Percentage Error (MAPE). Setelah dilakukan berbagai tahapan pengujian, fungsi kernel polinomial memberikan nilai MAPE sebesar 1,375% yang menunjukkan kriteria sangat baik untuk pemodelan prediksi. Dengan menggunakan parameter nilai  = 0,0001; cLR = 0,01; C = 0,5; degree = 2; dan γ = 3
===================================================================================================================================
Today's industry challenge is the digital transformation and automation of systems to obtain critical data from production processes accurately and precisely. This set of data can be used as a basis for decision-making at the enterprise level. Predicting is one of the activities that is often done to help determine something. Predictions of gold grinding outputs on semi�autogenous mill machines are required as a decision for the management of the exact enterprise level to design a budget for further needs in the process. Based on these needs, the final project uses the Support Vector Regression (SVR) method to predict output on nonlinear grinding processes. SVR is a method of machine learning that is applied to regression problems that will produce continuous value outputs. In SVR applications, a kernel function is used to mapp data into high-dimensional feature space, so that nonlinear data does not need to be transformed into linear on input space and calculations become more efficient. The kernels used are a linear kernel and a polynomial kernel. The data used for the prediction is the result of the gold grinding production with a total of 273 daily data of gold grinding production. Training data of 218 data and testing data of 55 data of the total data. The criterion used to measure the accuracy of the model is to calculate the Mean Absolute Percentage Error (MAPE). After several stages of testing, the polynomial kernel function yielded a MAPE value of 1.375%, which indicates excellent criteria for predictive modeling. By using the value parameter = 0,0001; cLR = 0.01; C = 0.5; degree = 2; and γ = 3

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Support Vector Regression (SVR), Prediksi, Grinding, Mean Absolute Percentage Error (MAPE), Support Vector Regression (SVR), Prediction, Grinding, Mean Absolute Percentage Error (MAPE).
Subjects:	H Social Sciences > HD Industries. Land use. Labor > HD30.213 Management information systems. Dashboards. Enterprise resource planning. Q Science > Q Science (General) > Q325.5 Machine learning. Q Science > QA Mathematics > QA76.9D338 Data integration
Divisions:	Faculty of Vocational > Instrumentation Engineering
Depositing User:	Muhammad Naufal 'Izzuddin
Date Deposited:	11 Aug 2023 07:19
Last Modified:	11 Aug 2023 07:19
URI:	http://repository.its.ac.id/id/eprint/104344

Actions (login required)

View Item