Penerapan Metode Ridge Regression dan Support Vector Regression (SVR) untuk Prediksi Indeks Batubara di PT XYZ
| Main Authors: | Putri, Rizky Amalia; Departemen Statistika Institut Teknologi Sepuluh Nopember Surabaya, Winahju, Wiwiek Setya; Departemen Statistika Institut Teknologi Sepuluh Nopember Surabaya, Mashuri, Muhammad; Departemen Statistika Institut Teknologi Sepuluh Nopember Surabaya |
|---|---|
| Format: | Article info application/pdf eJournal |
| Bahasa: | eng |
| Terbitan: |
Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS
, 2020
|
| Subjects: | |
| Online Access: |
http://ejurnal.its.ac.id/index.php/sains_seni/article/view/51021 http://ejurnal.its.ac.id/index.php/sains_seni/article/view/51021/6201 http://ejurnal.its.ac.id/index.php/sains_seni/article/downloadSuppFile/51021/20502 http://ejurnal.its.ac.id/index.php/sains_seni/article/downloadSuppFile/51021/20504 http://ejurnal.its.ac.id/index.php/sains_seni/article/downloadSuppFile/51021/20506 |
Daftar Isi:
- Semen merupakan salah satu bahan baku yang amat penting dalam pembangunan infrastruktur. Salah satu perusahaan yang bergerak di bidang produksi semen adalah PT XYZ. Tahapan terpenting dalam proses pembuatan semen adalah pada tahap pembakaran batu kapur dan tanah liat (clinker). Dalam proses pembakaran clinker membutuhkan bahan bakar utama yaitu batubara. Semakin banyak jumlah produksi clinker yang dihasilkan dan semakin sedikit batubara yang digunakan dalam proses pembakaran, maka semakin efektif dan efisien proses produksi tersebut. Dalam penelitian ini akan dilakukan analisis untuk memprediksi indeks batubara dengan beberapa variabel yang diduga mempengaruhi yaitu kualitas batubara, bahan baku, dan operasional yang kemudian akan dilakukan estimasi terhadap indeks batubara. Metode yang digunakan untuk mengestimasi indeks batubara adalah metode Regresi Ridge dan metode Support Vector Regression (SVR). Model yang terbentuk dengan metode SVR akan dibandingkan dengan metode regresi ridge yang kemudian akan dipilih model terbaiknya diantara kedua model yang terbentuk menggunakan nilai RMSE. Hasil analisis didapatkan metode terbaik dengan nilai RMSE terkecil yaitu Support Vector Regression (SVR) dan menggunakan kernel-polynomial yang menghasilkan parameter sigma bernilai 0,100 dan nilai c sebesar 1 dengan nilai RMSE sebesar 0,619.