Penerapan Model Sistem Dinamik Untuk Meningkatkan Nilai Rantai Pasok Kedelai Indonesia (Studi Kasus: Jawa Timur)

Tambunan, Glen Frederik Filemon (2022) Penerapan Model Sistem Dinamik Untuk Meningkatkan Nilai Rantai Pasok Kedelai Indonesia (Studi Kasus: Jawa Timur). Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05211840000078-Undergraduate_Thesis.pdf Restricted to Repository staff only Download (3MB)

Abstract

Kedelai merupakan tanaman pangan terpenting setelah beras dan jagung. Makanan ini kaya akan protein nabati esensial yang bermanfaat untuk masyarakat. Permintaan kedelai terus tumbuh dengan meningkatnya permintaan bahan makanan industri seperti tahu, tempe, kecap, susu kedelai, tauco dan snack. Berdasarkan statistik FAO dan BPS menyebutkan kebutuhan kedelai pada tahun 2004 sebesar 1,84 juta ton, sedangkan produksi dalam negeri hanya 0,72 juta ton. Kekurangannya harus diimpor 1,12 juta ton atau setara dengan sekitar 61% dari total permintaan. Kesenjangan produksi dan permintaan kedelai di Indonesia selama beberapa tahun belakangan ini memicu ketergantungan pada impor kedelai. Hal ini disebabkan permintaan konsumsi pangan berbasis protein kedelai semakin tinggi dengan bertambahnya jumlah penduduk setiap tahunnya. Walaupun demikian, tingginya permintaan kedelai untuk keperluan industri dan domestik tidak menjamin petani dapat dengan mudah memasarkannya. Seringkali kendala yang dihadapi petani adalah kurangnya informasi mengenai kualitas kedelai yang dibutuhkan konsumen. Akibatnya, para pengumpul dan pedagang besar sulit untuk memasok kedelai.
==============================================================================================================================
The COVID-19 pandemic has been a significant global health challenge since late 2019, with high morbidity and mortality rates in various countries. Early identification of patients at high risk of mortality is crucial for optimizing medical resource allocation and improving patient survival chances. This study aims to develop a mortality risk prediction model for COVID-19 patients using machine learning algorithms, specifically XGBoost and Random Forest. The dataset used in this study includes clinical and demographic data of COVID-19 patients. The research process includes data cleaning, handling missing data, feature engineering, and model training. Evaluation results show that both algorithms are capable of providing good performance in predicting mortality risk. XGBoost showed slightly superior performance compared to Random Forest in several evaluation metrics. The developed model is expected to assist medical professionals in making more precise and timely clinical decisions.

Item Type:	Thesis (Other)
Additional Information:	RSSI 003.85 Tam p-1 2022
Uncontrolled Keywords:	Soybean. System Dynamics. Supply Chain. Intensification. Extensification. Cross-Docking. Kedelai. Sistem Dinamik. Rantai Pasok. Intensifikasi. Ekstensifikasi. Cross-Docking.
Subjects:	H Social Sciences > HD Industries. Land use. Labor > HD30.213 Management information systems. Dashboards. Enterprise resource planning.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information System > 57201-(S1) Undergraduate Thesis
Depositing User:	Mr. Marsudiyana -
Date Deposited:	03 Jun 2026 08:35
Last Modified:	03 Jun 2026 08:35
URI:	http://repository.its.ac.id/id/eprint/133535

Actions (login required)

View Item