Dryer System Performance Prediction Using Machine Learning Approach

Abstract — Dryer systems have become a very important technology in the agricultural sector. However, these systems face several challenges, one of which is the difficulty in obtaining reliable fixed parameters to optimize their performance. In this study, a machine learning approach is used using the Support Vector Machine (SVM) method. This research aims to predict the output performance of the dryer system as well as to see the performance of SVM in using the result data from the dryer system. This research was carried out by collecting 10,000 experimental data pairs of input-output data that have been divided into 2, namely, estimation data and validation data, and applying the regression method with parameter configuration using a kernel scale of 150 and an epsilon of 0.001. The results of using SVM showed that the prediction match rate only reached 89.56%. Nonetheless, this research has the potential to make a significant contribution to improving the performance of the dryer system. In an effort to improve prediction accuracy, further improvements are needed in the use of SVM. It is hoped that the results of this study can serve as a foundation for further development in an effort to improve the efficiency and effectiveness of artificial intelligence-based clove dryer systems. Key words — Performance; Prediction; Dryer System; SVM Abstrak — Sistem pengering telah menjadi teknologi yang sangat penting dalam sektor pertanian. Namun, sistem ini menghadapi beberapa tantangan, salah satunya adalah kesulitan dalam mendapatkan parameter tetap yang dapat diandalkan untuk mengoptimalkan kinerjanya. Dalam penelitian ini, pendekatan pembelajaran mesin digunakan dengan menggunakan metode Support Vector Machine (SVM). Penelitian ini bertujuan untuk memprediksi kinerja keluaran dari sistem pengering serta melihat kinerja SVM dalam penggunaan data hasil dari sistem pengering. Penelitian ini dilaksanakan dengan mengumpulkan data percobaan sebanyak 10.000 pasangan data input-output yang telah dibagi menjadi 2 yaitu, data estimasi dan data validasi serta menerapkan metode regresi dengan konfigurasi parameter menggunakan skala kernel 150 dan epsilon 0,001. Hasil dari penggunaan SVM menunjukkan bahwa tingkat kecocokan prediksi hanya mencapai 89,56%. Meskipun demikian, penelitian ini memiliki potensi untuk memberikan kontribusi yang signifikan dalam meningkatkan kinerja sistem pengering. Dalam upaya meningkatkan akurasi prediksi, perlu adanya perbaikan lebih lanjut pada penggunaan SVM. Diharapkan bahwa hasil penelitian ini dapat menjadi landasan untuk pengembangan lebih lanjut dalam upaya meningkatkan efisiensi dan efektivitas sistem pengering cengkeh berbasis kecerdasan buatan. Kata Kunci — Kinerja; Prediksi; Sistem Pengering, SVM