Prediksi Kadar Alpha Pinene Minyak Terpentin Berdasarkan Komposisi Bahan Baku Menggunakan Regresi Linear Berganda

Nisrina Nur Sa'idah

doi:10.30591/jpit.v11i1.9066

Prediksi Kadar Alpha Pinene Minyak Terpentin Berdasarkan Komposisi Bahan Baku Menggunakan Regresi Linear Berganda

Nisrina Nur Sa'idah

Abstract

Minyak terpentin merupakan produk hasil penyulingan getah pinus. Minyak ini memiliki nilai ekonomi yang tinggi, terutama karena kandungan alpha pinenenya yang menentukan kualitas produk minyak terpentin. Standar industri menetapkan kadar ideal alpha pinene adalah ≥ 80%. Namun, beberapa produksi minyak terpentin di Pabrik Gondorukem dan Terpentin (PGT) menghasilkan kadar di bawah standar, yang bisa mengurangi daya tarik pasar. Karena itu, penelitian ini berfokus pada pengembangan model prediksi kadar alpha pinene berdasarkan komposisi bahan baku getah pinus. Penelitian ini menggunakan metode regresi linear berganda dengan data sekunder dari Perum Perhutani, mencakup enam variabel input (Super Premium (SP), Premium (P), Mutu IA (IA), Mutu IB (IB), Mutu IIA (IIA), dan Mutu IIB (IIB)) dan satu variabel target (kadar alpha pinene). Tahapan penelitian meliputi pra-pemrosesan data, perancangan model (manual dan Python), perhitungan prediksi, dan evaluasi. Hasilnya, model menunjukkan tingkat kesalahan prediksi yang rendah: MAE 0,01312, MSE 0,00026, dan RMSE 0,01622. Namun, nilai R-squared hanya 0,20854, artinya model hanya menjelaskan sekitar 20,854% variabilitas data. Hal ini mengindikasikan bahwa terdapat faktor lain yang juga memengaruhi kadar alpha pinene, seperti kondisi hulu (genetik, lingkungan, penanganan) dan hilir (proses pengolahan). Oleh karena itu, eksplorasi dan pengembangan model lebih lanjut sangat diperlukan untuk akurasi yang lebih tinggi dan pemahaman yang lebih komprehensif.

Keywords

Alpha Pinene; Minyak Terpentin; Prediksi; Regresi Linear Berganda; Python

Full Text:

References

J. Siregar, “Ekstraksi Minyak Terpentin Dari Getah Pinus,” Teknik Kimia, Universitas Sumatera Utara, Sumatera Utara, 2020.

N. Wijayanti, K. Rakainsa, O. Pratama, and C. Sumawi, “Transformasi Alfa Pinena Dari Minyak Terpentin Melalui Reaksi Metoksilasi,” Pemanfaatan Sumber Daya Alam Indonesia: Ketahanan Pangan, Energi Dan Material Maju, pp. 95–123, 2021.

I. Gunawan, “Kajian Kandungan Alpha-Pinene Minyak Terpentin Di Pgt Rejowinangun- Trenggalek,” Cepu, 2024.

A. Aris, “Produktivitas Kerja Penyadapan Getah Pinus Di Kph Mamasa Tengah Sulawesi Barat,” Program Studi Kehutanan, Universitas Hassanuddin, Makassar, 2021.

S. Rosalinda and R. Sumirat, “Analisis Minyak Terpentin Hasil Penyulingan di Pabrik Gondorukem dan Terpentin Sindangwangi,” Metana: Media Komunikasi Rekayasa Proses dan Teknologi Tepat Guna, vol. 20, no. 1, pp. 49–56, 2024.

I. Muthahharah and Inayanti Fatwa, “Analisis Regresi Linear Berganda Untuk Media Pembelajaran Daring Terhadap Prestasi Belajar Mahasiswa di STKIP Pembangunan,” Jurnal MSA (Matematika dan Statistika serta Aplikasinya ), vol. 10, no. 1, pp. 53–60, Jun. 2022, doi: 10.24252/msa.v10i1.25145.

S. A. Listina, R. M. Sampurno, D. Ciptaningtyas, and A. Thoriq, “Model Prediksi Kadar Air Media Tanam Menggunakan Regresi Linear Berganda (Studi Kasus Kebun Tomat Beef di Serenity Farm Mitra Habibi Garden),” Jurnal Teknotan, vol. 16, no. 3, p. 133, Dec. 2022, doi: 10.24198/jt.vol16n3.1.

T. Jaelani, “Machine Learning untuk Prediksi Produksi Gula Nasional,” JMPM (Jurnal Material dan Proses Manufaktur), vol. 6, no. 1, Aug. 2022, doi: 10.18196/jmpm.v6i1.14897.

I. Yanni, “Sistem Prediksi Jumlah Obat Keluar Menggunakan Metode Regresi Linier untuk Menentukan Jumlah Pemesanan Obat,” Universitas Islam Negeri Sultan Syarif Kasim Riau, Pekanbaru, 2020.

M. A. Fajar, “Implementasi Algoritma Linear Regression dan Autoregressive Integrated Moving Average dalam Memprediksi Harga Rumah (Studi Kasus Rumah di Kabupaten Bogor),” Teknik Informatika, UIN Syarif Hidayatullah, Jakarta, 2023.

Y. Herdiana and W. A. Geraldine, “Penerapan Machine Learning Dengan Model Linear Regression Terhadap Analisis Kualitas Hasil Petik The Di Pt. Perkebunan Nusantara Viii Kebun Sedep,” COMPUTING | Jurnal Informatika, vol. 9, no. 01, pp. 1–9, Jun. 2022, doi: 10.55222/computing.v9i01.855.

A. Prasetyo, S. Salahuddin, and A. Amirullah, “Prediksi Produksi Kelapa Sawit Menggunakan Metode Regresi Linier Berganda,” Jurnal Infomedia, vol. 6, no. 2, p. 76, Dec. 2021, doi: 10.30811/jim.v6i2.2343.

N. D. Irawan, W. Wijono, and O. Setyawati, “Perbaikan Missing value Menggunakan Pendekatan Korelasi Pada Metode K-Nearest Neighbor,” JURNAL INFOTEL, vol. 9, no. 3, Aug. 2017, doi: 10.20895/infotel.v9i3.286.

D. Kurniawan, Regresi Linier, 3rd ed., vol. 2. Statistic, 2008.

I. M. S. Aji, “Prediksi Data Sensor Kelembapan Tanah yang Rusak Menggunakan Algoritma K-Mean dan Support Vector Regression,” Program Studi Teknik Informatika, Universitas Islam Negeri Syarif Hidayatullah, Jakarta, 2023.

I. Id, MACHINE LEARNING : Teori, Studi Kasus dan Implementasi Menggunakan Python, 1st ed., vol. 978-632-255-092–6. UR PRESS, 2021.

F. H. Hamdanah and D. Fitrianah, “Analisis Performansi Algoritma Linear Regression dengan Generalized Linear Model untuk Prediksi Penjualan pada Usaha Mikra, Kecil, dan Menengah,” Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI), vol. 10, no. 1, p. 23, Apr. 2021, doi: 10.23887/janapati.v10i1.31035.

Tim Peneliti Prodisar, “Kajian Kadar Alphapinen Minyak Terpentin Di PGT Rejowinangun Trenggalek,” 2024.

Q. Luan, S. Diao, H. Sun, X. Ding, and J. Jiang, “Prediction and Comparisons of Turpentine Content in Slash Pine at Different Slope Positions Using Near-Infrared Spectroscopy,” Plants, vol. 11, no. 7, p. 914, Mar. 2022, doi: 10.3390/plants11070914.

J. Liang et al., “Influence of a novel resin tapping method on the resin yield and turpentine chemical composition of Masson pine (Pinus massoniana),” Ind Crops Prod, vol. 204, p. 117377, Nov. 2023, doi: 10.1016/j.indcrop.2023.117377.

DOI: https://doi.org/10.30591/jpit.v11i1.9066