Ariani, Ria Widiya (2018) Prediksi Nilai Warna Larutan (ICUMSA) dan Besar Jenis Butir (BJB) untuk Menentukan Kualitas Gula Berdasarkan Metode Support Vector Machine (Studi Kasus: PT Pabrik Gula Rajawali I Surabaya). Undergraduate thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
5214100066-Undergraduate_Theses.pdf - Accepted Version Download (4MB) | Preview |
Abstract
Gula merupakan salah satu komoditas yang sering kita temui
dalam kehidupan sehari-hari. Gula biasa dimanfaatkan untuk
menambah cita rasa manis pada makanan atau minuman.
Penggunaan gula tidak hanya oleh rumah tangga namun juga
banyak digunakan di bidang industri, khususnya industri di
bidang makanan dan minuman. Mengingat penggunaan gula
baik di rumah tangga atau industri, tidak heran jika jumlah
konsumsi gula di Indonesia juga besar. Sebagai bahan untuk
membuat produk makanan atau minuman yang akan
dikonsumsi oleh masyarakat, gula yang dipergunakan tentunya
perlu memenuhi standar kualitas atau mutu tertentu agar layak
untuk dikonsumsi. Untuk itu, pemerintah melalui Badan
Standardisasi Nasional telah mengatur standar mengenai
kualitas gula.
PT. PG Rajawali I Surabaya merupakan salah satu pabrik yang
memproduksi gula. Untuk dapat melakukan pengujian kualitas
gula, perusahaan memerlukan pihak ketiga yang berlokasi
diluar Surabaya. Hal ini menyebabkan perusahaan mengalami
kesulitan untuk melakukan pengujian kualitas gula yaitu berupa
permasalahan biaya yang mahal dan waktu yang dibutuhkan
untuk pengujian lama.
Untuk mengatasi permasalahan tersebut, perusahaan dapat
melakukan prediksi kualitas gula mereka sendiri. Karena dapat
xi
dilakukan sendiri, waktu yang dibutuhkan bisa menjadi lebih
singkat sehingga bisa segera dilakukan evaluasi jika hasil
produksi kualitasnya rendah. Melalui penelitian tugas akhir ini,
metode Support Vector Machine (SVM) digunakan untuk
memprediksi kualitas gula yang dihasilkan di PT. PG Rajawali
I Surabaya. SVM merupakan salah satu metode yang dapat
digunakan untuk melakukan prediksi dengan mencari nilai
hyperplane dari data-data yang ada. Nilai prediksi dapat
dioptimumkan dengan mengatur parameter-parameter yang
mempengaruhi prediksi. Model terbaik untuk data training
ditentukan berdasarkan nilai root mean square error (RMSE)
dan absolute error dari hasil prediksi. Namun model terbaik
untuk testing ditentukan berdasarkan nilai MAPE yang
dihasilkan.
Pada penelitian ini, terdapat tiga jenis kualitas gula yang
dihasilkan yaitu GKP 1, GKP 2, dan gula yang tidak termasuk
kedalam GKP 1 atau GKP 2 (undefined). Untuk menentukan
kualitas gula tersebut, proses produksi sangat berpengaruh.
Dimana pada masing-masing proses produksi terdapat
beberapa parameter yang perlu dipenuhi agar gula tersebut
bisa menghasilkan kualitas yang sesuai standar.
Model terbaik untuk data testing warna larutan (ICUMSA)
yang memberikan MAPE terbaik adalah menggunakan kernel
Radial, C=18.65, gamma=0.045 dengan MAPE 31% yang
termasuk kategori cukup baik. Model terbaik untuk data testing
BJB menghasilkan MAPE sebesar 8% termasuk kategori sangat
baik. Untuk kernel Dot nilai C=1 dan kernel Radial C=0.675
serta gamma=8.65. Sedangkan hasil akurasi klasifikasi
kualitas gula terbaik adalah sebesar 73.33% dengan
menggunakan kernel Dot.
=======================================================================================
Sugar is one of commodity that we use everyday in our life.
Sugars are used to add sweet taste to foods or drinks. The use
of sugar is not only by household but also widely used in
industry, especially industry in foods and beverages. Given the
use of sugar either in the household or industry, do not be
surprised if the amount of sugar consumption in Indonesia is
also large. As an ingredient to make foods or beverage products
that will be consumed by the customers, sugar must have certain
quality or quality standards to be worth consuming. To ensure
this condition, the government through the National
Standardization Agency has set the standard on the quality of
sugar.
PT. PG Rajawali I Surabaya is one of the sugar producing
factories. To be able to test the quality of sugar, the company
requires a third party located outside of Surabaya. This causes
the company to have difficulty to conduct sugar quality testing
that is in the form of expensive cost problems and the time
required for the old test.
To solve these problems, companies can make predictions of
their own sugar quality. Because it can be done alone, the time
required can be shortened so that the evaluation can be done
immediately if the quality of production is low. Through this
final project, Support Vector Machine (SVM) method is used to
xiii
predict the quality of sugar produced at PT. PG Rajawali I
Surabaya. SVM is one method that can be used to make
predictions by finding the value of hyperplane from existing
data. Predicted values can be optimized by setting parameters
that affect predictions. The best model for training data is
determined based on the root mean square error (RMSE) and
the absolute error value of the predicted result. However the
best model for testing is determined based on the resulting
MAPE value.
In this research, there are three types of quality of sugar
produced are GKP 1, GKP 2, and sugar which is not included
into GKP 1 or GKP 2 (undefined). To determine the quality of
sugar, the production process is very influential. Where in each
production process there are several parameters that need to
be met so that the sugar can produce the appropriate quality
standard.
The best model for color solution testing (ICUMSA) which gives
the best MAPE is using Radial kernel, C = 18.65, gamma =
0.045 with MAPE 31% which is good enough category. The best
model for BJB data testing yields 8% MAPE including excellent
category. For Dot kernel value C = 1 and Radial kernel C =
0.675 and gamma = 8.65. While the best quality classification
accuracy is 73.33% by using Dot kernel kernel.
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Additional Information: | RSSI 006.312 Ari p-1 3100018074279 |
| Uncontrolled Keywords: | kualitas gula, support vector machine, prediksi, parameter, klasifikasi |
| Subjects: | Q Science > QA Mathematics > QA278.2 Regression Analysis. Logistic regression Q Science > QA Mathematics > QA76.9.D343 Data mining. Querying (Computer science) T Technology > T Technology (General) > T57.8 Nonlinear programming. Support vector machine. Wavelets. Hidden Markov models. |
| Divisions: | Faculty of Information and Communication Technology > Information Systems > 57201-(S1) Undergraduate Thesis |
| Depositing User: | Ria Widiya Ariani |
| Date Deposited: | 28 Feb 2018 03:51 |
| Last Modified: | 13 Jun 2020 05:30 |
| URI: | http://repository.its.ac.id/id/eprint/49577 |
Actions (login required)
 |
View Item |