Implementasi Machine Learning Untuk Melakukan Prediksi Hasil Panen Tebu (Studi Kasus di KUD Subur, Malang)
| Main Author: | Yuliani, Dyah Dwi |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2019
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/181481/1/Dyah%20Dwi%20Yuliani.%20%282%29.pdf http://repository.ub.ac.id/181481/ |
Daftar Isi:
- Tebu (Saccharum officianarum) termasuk ke dalam tanaman jenis rumput-rumputan yang air dari batangnya dimanfaatkan untuk bahan baku gula dan vetsin. Tanaman tebu hanya dapat tumbuh di daerah dengan iklim tropis dengan ketinggian 0-600 mdpl. Produksi tebu di Indonesia pada tahun 2015 tercatat sebesar 2.497.997 ton (Dirjen Perkebunan, 2016). Sentral produksi tebu di Indonesia tahun 2012-2017 terletak di Provinsi Jawa Timur dengan rata-rata produksi 1.186.515 ton atau mencapai 48,26% produksi tebu nasional (Indarti, 2017). KUD Subur mempunyai program unggulan yaitu program Tebu Rakyat Kemitraan (TRK). Dalam pelaksanaannya, program TRK menghasilkan beberapa data yang dirangkum dalam laporan rekapitulasi produksi tebu rakyat kemitraan dalam satu periode musim giling. Data hasil program tersebut apabila digunakan secara tepat dapat digunakan untuk melakukan prediksi hasil panen dan rendemen tebu yang akan didapatkan oleh koperasi dan petani pada tahun-tahun berikutnya, Untuk melakukan pemanfaatan data hasil program Tebu Rakyat Kemitraan, diperlukan implementasi sistem informasi yang dapat menyelesaikan permasalahan-permasalahan tersebut sekaligus memberikan beberapa keuntungan salah satunya adalah meminimasi kesalahan yang sering terjadi dalam proses penginputan data secara manual. Proses perancangan sistem informasi tersebut dapat dilakukan dengan mengimplementasikan Machine Learning. Berdasarkan hasil implementasi machine learning dan pebandingan beberapa algoritma, menunjukkan bahwaalgoritma paling baik yang menghasilkan prediksi paling baik adalah agoritma gradient boosting dengan akurasi moel 0.78%. sistem prediksi hasil panen kemudian diuji menggunakan pengujian black box dan user acceptance testing. Didapatkan hasil pengujian black box 95% berhasil yang menyatakan bahwa sistem dapat memenuhi kebutuhan pengguna. Pada pengujian user acceptance testing, didapatkan hasil keseluruhan sebesar 87.5% yang menggambarkan pengguna daapt menerima dengan baik sistem dalam tiga kriteria yaitu performance, usability, dan accuracy.