Analisis Kualitas Bahan Baku Tebu Melalui Teknik Pengklasteran Dan Klasifikasi Kadar Gula Sebelum Giling (Studi Kasus Pabrik Gula PT. XYZ)

Hanka, Merisa Khristanti Febriana (2021) Analisis Kualitas Bahan Baku Tebu Melalui Teknik Pengklasteran Dan Klasifikasi Kadar Gula Sebelum Giling (Studi Kasus Pabrik Gula PT. XYZ). Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

[img] Text
02411740000094-Undergraduate_Theses.pdf - Accepted Version
Restricted to Repository staff only until 1 October 2023.

Download (4MB) | Request a copy

Abstract

Sub sektor Perkebunan berkontribusi sebesar 3,27% terhadap Produk Domestik Bruto (PDB) sebagai urutan pertama di sektor pertanian pada tahun 2019. Tebu merupakan salah satu komoditi perkebunan yang mempunyai peran strategis dalam perekonomian di Indonesia. Salah satu Pabrik Gula (PG) milik PT. XYZ yang berlokasi di Jawa Timur memiliki mitra lebih dari 2000 petani tebu. Analisis mutu BBT PT. XYZ berdasarkan kriteria uji visual masih membuat adanya kemungkinan terjadi bias atau penyimpangan yang dilakukan terhadap analisis kadar gula. Menganalisis mutu BBT berdasarkan uji kadar gula diperlukan untuk mengetahui bagaimana klasifikasi dari kualitas BBT yang dikirim oleh mitra petani tebu sebelum masuk ke proses giling. Sistem ini dapat digunakan sebagai evaluasi kinerja petani tebu untuk dapat meningkatkan kualitas BBT serta keuntungan dalam bentuk bagi hasil antara petani tebu dan perusahaan. Penentuan mutu gula BBT bisa diatasi dengan pendekaan data mining yaitu teknik pengklasteran Hierarchical K-Means Clustering berdasarkan atribut kadar gula selama 116 hari giling pada tahun 2020. Hasil dari penelitian tugas akhir ini, atribut kualitas kadar gula terdiri dari rendemen sementara, pct brix, dan pct pol. Mutu dari kriteria visual tidak memiliki korelasi dengan atribut gula dan membuktikan tidak ditemukan bias antara mutu dari uji visual BBT dengan atribut kadar gula pada PT. XYZ. Jumlah klaster yang digunakan adalah empat klaster. Mutu A merupakan mutu terbaik karena memiliki nilai rata-rata dan range data tertinggi untuk setiap atribut kadar gula, kemudian mutu B, C, dan D. Urutan metode prediksi terbaik yang diuji yaitu, SVM Polinomial, SVM RBF, dan KNN. Performansi SVM lebih baik dibandingkan KNN jika terdapat set data yang kompleks dan berukuran besar dari atribut atau fitur prediktornya. Jenis kernel pada SVM mempengaruhi hasil akurasi, kernel membuat atribut atau fitur data asli dapat diproyeksikan ke dimensi yang lebih tinggi sehingga data tersebut dapat diklasifikasi dengan baik. ======================================================================================================= The Plantation sub-sector contributed 3.27% to the Gross Domestic Product (GDP) as the first in the agricultural sector in 2019. Sugarcane is one of the plantation commodities that has a strategic role in the economy in Indonesia. One of the sugar factories (PG) owned by PT. XYZ, located in East Java, has more than 2000 sugarcane farmers as partners. Analysis of PT. XYZ's BBT quality based on visual test criteria still makes it possible for bias or deviation to occur in the analysis of sugar content. Analyzing the quality of BBT based on the sugar content test is needed to find out how the classification of BBT quality sent by sugarcane farmer partners before entering the milling process. This system can be used as an evaluation of the performance of sugarcane farmers to be able to improve the quality of BBT and profits in the form of profit sharing between sugarcane farmers and the company. Determining the quality of BBT sugar can be overcome by using a data mining approach, namely the Hierarchical K-Means Clustering clustering technique based on the sugar content attribute for 116 milling days in 2020. The results of this final project, the sugar content quality attribute consists of temporary yield, pct brix, and pct pol. The quality of the visual criteria has no correlation with the sugar attribute and proves that there is no bias between the quality of the BBT visual test and the sugar content attribute at PT. XYZ. The number of clusters used is four clusters. Quality A is the best quality because it has the highest average value and data range for each attribute of sugar content, then B, C, and D quality. The order of the best prediction methods tested are Polynomial SVM, RBF SVM, and KNN. SVM performance is better than KNN if there are complex and large data sets of predictor attributes or features. The type of kernel in SVM affects the accuracy results, the kernel makes the attributes or features of the original data projectable to a higher dimension so that the data can be classified properly.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Data Mining, Hierarchical K-Means Clustering, K-Nearest Neighbors, Manajemen Kualitas, Support Vector Machine, Data Mining, Hierarchical K-Means Clustering, K-Nearest Neighbors, Quality Management, Support Vector Machine.
Subjects: S Agriculture > S Agriculture (General)
T Technology > TP Chemical technology > TP382 Sugar--Analysis.
T Technology > TS Manufactures
Divisions: Faculty of Industrial Technology and Systems Engineering (INDSYS) > Industrial Engineering > 26201-(S1) Undergraduate Thesis
Depositing User: Merisa Khristanti Febriana Hanka
Date Deposited: 06 Aug 2021 03:22
Last Modified: 06 Aug 2021 03:22
URI: https://repository.its.ac.id/id/eprint/84997

Actions (login required)

View Item View Item