Desain Model Prediksi Produktivitas, Rendemen, Susut dan Optimasi Tebang Muat Angkut Giling Hulu Agroindustri Gula Tebu

Abstract

Agroindustri gula tebu menghadapi permasalahan struktural berupa ketidakpastian kondisi agronomis dan ketidakstabilan sistem tebang–muat–angkut–giling yang berdampak pada penurunan produktivitas, rendemen, dan peningkatan susut sepanjang rantai tebang muat angkut giling. Monitoring konvensional pada level lahan yang tidak real time dan memiliki nilai error relatif 7,22% menyebabkan keputusan panen bersifat reaktif dan menimbulkan mismatch. Hal ini menyebabkan dampak lanjutan yang merugikan berupa antrian ekstrem, penurunan kualitas tebu, dan kerugian operasional pada agroindustri gula tebu dan petani. Permasalahan tersebut menunjukkan bahwa pendekatan eksisting tidak lagi memadai, dan diperlukan mekanisme prediktif yang mampu mengestimasi kondisi agronomis serta kualitas tebu secara kuantitatif sebelum keputusan operasional diambil. Penelitian ini bertujuan untuk 1) menganalisis kemampuan prediktif model machine learning pada kondisi operasional nyata dalam mengestimasi aspek agronomis tebu berupa ketinggian, produktivitas, dan °Brix di level lahan, 2) menganalisis kemampuan integrasi prediksi susut berbasis machine learning dengan optimasi tebang muat angkut melalui Non Dominated Sorting Genetic Algorithm II (NSGA-II) dalam pemilihan rute spasial dinamis dan penjadwalan tersesuai di hulu agroindustri gula tebu, 3) menghasilkan rancangan arsitektur sistem berbasis spasial, machine learning, dan algoritma metaheuristik dalam mengoptimalisasi proses di hulu agroindustri gula tebu.

Business Process Modelling Notation (BPMN) dan Goal Oriented Requirement Engineering (GORE) digunakan untuk pemetaan kondisi terkini dengan berbasiskan informasi agroindustri gula tebu. Terdapat dua submodel yang dirancang dalam penelitian ini yaitu submodel monitoring pertumbuhan panen dan submodel optimasi tebang muat angkut giling. Pada submodel monitoring pertumbuhan panen, digunakan data mingguan indikator morfologi dari pabrik gula, indikator meteorologi dari ERA5, indikator vegetasi dan indikator derivatif yang didapatkan dari satelit (Sentinel-2, Landsat-9, fusion) dengan distribusi dan rentang waktu selaras yaitu 2021-2024 di Jawa Timur sebagai dasar pengembangan model prediksi ketinggian, produktivitas, dan °Brix. Data dikelompokkan berdasarkan sumber citra dan digunakan sebagai variabel prediktor dalam model machine learning. Preprocessing dan feature selection dilakukan pada masing masing kelompok data dan selanjutnya digunakan sebagai input pada machine learning Extreme Gradient Boosting (XGB), Random Forest (RF), dan Support Vector Regression (SVR) untuk prediksi ketinggian, produktivitas, dan °Brix tingkat lahan.

Pada submodel optimasi tebang muat angkut giling, digunakan data harian lingkungan dan operasional yang mencakup lokasi lahan, lokasi pabrik, jarak dan waktu tempuh, volume tebu per petak, data kedatangan truk, kapasitasi sistem, data antrian, data ambient, data tipe jalan, dan data historis °Brix selama transportasi serta tunggu giling. Data yang telah dikumpulkan akan digunakan dalam memprediksi susut transportasi dan susut tunggu giling melalui XGB yang nantinya digunakan sebagai input dalam fungsi tujuan sehingga optimasi akan terintegrasi machine learning. Optimasi rute dirancang melalui NSGA-II untuk tiga tujuan yaitu F1 (minimasi jarak), F2 (minimasi waktu), F3 (minimasi susut) dengan lima skenario dinamis untuk menghasilkan rekomendasi rute adaptif. Sedangkan optimasi penjadwalan giling dengan NSGA-II memiliki dua tujuan F1 (minimasi waktu tunggu) dan F2 (minimasi susut) dengan enam skenario dinamis untuk menghasilkan distribusi jadwal giling ideal. Hasil penelitian menunjukkan bahwa kondisi terkini hulu agroindustri gula tebu didominasi praktik dengan metode tradisional pada proses monitoring dan pengambilan keputusan yang dilakukan. Di sisi lain, integrasi antar proses masih terfragmentasi sehingga menimbulkan inefisiensi dan keputusan berbasis intuisi. Mengacu kepada permasalahan tersebut, diketahui terdapat dua kebutuhan sistem utama yaitu submodel monitoring pertumbuhan panen dan optimasi sistem tebang muat angkut giling pada agroindustri gula tebu.

Hasil perancangan prediksi ketinggian tebu menunjukkan bahwa algoritma XGB menghasilkan nilai R² dalam rentang 0,8551–0,9126, diikuti oleh SVR dengan rentang 0,8476–0,9038, dan RF dengan nilai 0,8561–0,9001. Pada perancangan model prediksi produktivitas, didapatkan rentang R2 pada XGB sebesar 0,8880–0,9433, diikuti oleh SVR dengan rentang 0,8941–0,9358, dan RF dengan nilai 0,8864–0,9393. Sedangkan pada prediksi °Brix, XGB menghasilkan R2 sebesar 0,9246–0,9290, diikuti RF dengan R² 0,9264–0,9275, dan SVR dengan R² 0,9129–0,9270. Berdasarkan hasil perancangan submodel monitoring pertumbuhan panen ini, dihasilkan bahwa pendekatan XGB dengan kelompok data C menjadi kombinasi paling baik dibandingkan pendekatan lainnya.

Integrasi model machine learning dalam memprediksi susut °Brix pada proses transportasi dan waktu tunggu giling dikombinasikan dengan pendekatan metaheuristik berbasis stochastic multiobjective optimization melalui NSGA-II dan data spasial menunjukkan performa yang konsisten. Model prediktif susut transportasi dan tunggu giling masing-masing menghasilkan koefisien determinasi (R²) sebesar 0,9195 dan 0,8634. Hasil prediksi tersebut selanjutnya diintegrasikan sebagai parameter dinamis dalam optimasi rute dan penjadwalan giling. Optimasi rute menghasilkan perbaikan kinerja dengan rentang 8,6%–12,1% untuk jarak, 4,5%–8,0% untuk waktu, dan 0,89%–1,26% untuk susut. Sementara itu, optimasi penjadwalan giling melalui enam skenario menunjukkan peningkatan kinerja pada waktu tunggu sebesar 32,9%–66,2% dan pada susut yang dihasilkan sebesar 26,3%–58,4%. Validasi menunjukkan peningkatan stabilitas dan pemerataan sistem, yang ditandai dengan perbaikan indikator distribusi dan ketidakpastian. Secara keseluruhan, penelitian ini menghasilkan sistem penunjang keputusan berbasis predictive–prescriptive analytics yang mampu mengurangi ketidakpastian, meningkatkan sinkronisasi suplai–proses, serta mengoptimalkan kinerja operasional agroindustri gula tebu