Search for collections on Universitas Islam Negeri Sultan Syarif Kasim Riau Repository

PENGELOMPOKAN DATA KONDISI MESIN CONTINUOUS SETTLING TANK MENGGUNAKAN METODE CLUSTERING MEAN-SHIFT

FAJAR PRAYOGA, - (2026) PENGELOMPOKAN DATA KONDISI MESIN CONTINUOUS SETTLING TANK MENGGUNAKAN METODE CLUSTERING MEAN-SHIFT. Skripsi thesis, UNIVERSITAS ISLAM NEGERI SULTAN SYARIF KASIM RIAU.

[img]
Preview
Text (BAB GABUNGAN)
1. lengkap tanpa hasil (1) - FAJAR PRAYOGA.pdf - Published Version

Download (5MB) | Preview
[img] Text (BAB HASIL)
2. bab hasil - FAJAR PRAYOGA.pdf - Published Version
Restricted to Repository staff only

Download (5MB)
[img]
Preview
Text (PERNYATAAN PUBLIKASI)
fajarprayoga - FAJAR PRAYOGA.pdf - Published Version

Download (547kB) | Preview

Abstract

Continuous Settling Tank (CST) merupakan unit penting pada stasiun klarifikasi pabrik kelapa sawit yang berfungsi untuk memisahkan fase minyak, air, dan lumpur dari crude oil (minyak kasar) hasil proses pressing. Proses pemisahan dilakukan berdasarkan perbedaan densitas, dimana minyak sawit mengapung pada permukaan sedangkan lumpur dan air mengendap di bagian bawah tangki. Tujuan penelitian ini adalah melakukan pengelompokkan data kondisi mesin CST menggunakan metode clustering mean-shift dan menemukan jumlah klaster terbaik untuk data CST berdasarkan evaluasi model clustering. Pada penelitian ini juga menerapkan penentuan bandwidth dengan aturan Silverman dan Bayesian Optimization untuk melakukan clustering mean-shift serta evaluasi clustering mean-shift menggunakan metrik Silhouette Score dan Davies-Bouldin Index. Untuk hasil jumlah klaster terbaik, pada pengujian semua data CST, jumlah klaster terbaik berjumlah 11 klaster dengan menggunakan bandwidth dari aturan Silverman dan 3 klaster dengan menggunakan bandwidth dari Bayesian Optimization. Pada pengujian per mesin dan per PKS, untuk rata-rata jumlah klaster terbaik dengan bandwidth aturan Silverman berjumlah 18 klaster, untuk bandwidth Bayesian Optimization dengan menggunakan konfigurasi Silhouette Score berjumlah 5 klaster, sedangkan dengan konfigurasi DBI berjumlah 10 klaster. Kata kunci: Aturan Silverman, Bayesian Optimization, Silhouette Score, DaviesBouldin Index, Clustering, Continuous Settling Tank, Mean-Shif

Item Type: Thesis (Skripsi)
Contributors:
ContributionContributorsNIDN/NIDKEmail
Thesis advisorLESTARI HANDAYANI, -1013118103lestari.handayani@uin-suska.ac.id
Thesis advisorFITRI INSANI, -2003068701fitri.insani@uin-suska.ac.id
Subjects: 600 Teknologi dan Ilmu-ilmu Terapan > 620 Ilmu Teknik
Divisions: Fakultas Sains dan Teknologi > Teknik Informatika
Depositing User: Ayu - Apriliani
Date Deposited: 21 Jan 2026 02:45
Last Modified: 27 Jan 2026 02:11
URI: http://repository.uin-suska.ac.id/id/eprint/92467

Actions (login required)

View Item View Item