SISTEM PREDIKSI PRODUKSI PADI DI SUMATERA MENGGUNAKAN REGRESI LINEAR
DOI:
https://doi.org/10.36595/misi.v8i1.1411Keywords:
prediction, linear regression, support vector machine, random forest regression, mean squared errorAbstract
Pulau Sumatera merupakan salah satu pulau yang menjadi lumbung padi nasional karena sebagai salah satu daerah penghasil padi terbesar di Indonesia. Namun, produktivitas yang tinggi di pulau Sumatera juga terdapat beberapa tantangan seperti perubahan iklim yang tidak menentu, luas lahan, curah hujan, kelembapan, dan suhu rata-rata. Untuk mengatasi permasalahan tersebut perlu strategi yang inovatif dan berbasis data. Salah satu strategi tersebut dengan menerapkan pengolahan data untuk menghasilkan model prediksi produktivitas padi. Teknik ini melibatkan algoritma dan pembelajaran mesin untuk menganalisis pola dan tren dalam pertanian. Model ini mempermudah stakeholder terkait untuk mempersiapkan kebutuhan pangan nasional agar selalu terpenuhi. Pada penelitian ini, diusulkan sebuah metode prediksi produktivitas padi di Sumatera menggunakan metode regresi linear. Penelitian ini menghasilkan model prediksi masing-masing di setiap provinsi di Sumatera. Secara umum, tahapan yang dilakukan yaitu preprocessing, seleksi fitur, training dan testing, dan evaluasi. Uji coba yang dilakukan dengan menghitung nilai Mean Squarred Error (MSE). Beberapa algoritma yaitu Regresi Linear, Support Vector Regression (SVR), Random Forest Regression (RFR) menghasilkan nilai rata-rata MSE sebesar 0,022; 0,075; 0,026. Regresi linear mampu menghasilkan model yang lebih baik dibandingkan metode SVR dan RFR.
References
B. P. S. Indonesia, “Ringkasan Eksekutif Luas Panen dan Produksi Padi di Indonesia 2023 (Angka Tetap).” Accessed: Dec. 18, 2024. [Online]. Available: https://www.bps.go.id/id/publication/2024/05/06/69834d72f7ef1c32eee5c4b6/ringkasan-eksekutif-luas-panen-dan-produksi-padi-di-indonesia-2023--angka-tetap-.html
S. Sulaminingsih, E. Silamat, A. Ruruh, M. Syaiful, A. Ninasari, and M. Ar, “DAMPAK PERUBAHAN IKLIM TERHADAP PENINGKATAN DAN PENURUNAN PRODUKTIVITAS TANAMAN PANGAN,” J. Rev. Pendidik. Dan Pengajaran JRPP, vol. 7, no. 3, pp. 10189–10195, Jul. 2024, doi: 10.31004/jrpp.v7i3.31609.
S. Maesaroh and K. K, “Sistem Prediksi Produktifitas Pertanian Padi Menggunakan Data Mining,” Energy J. Ilm. Ilmu-Ilmu Tek., vol. 7, no. 2, Art. no. 2, Nov. 2017.
M. F. Anggarda, I. Kustiawan, D. R. Nurjanah, and N. F. A. Hakim, “Pengembangan Sistem Prediksi Waktu Penyiraman Optimal pada Perkebunan: Pendekatan Machine Learning untuk Peningkatan Produktivitas Pertanian,” J. Budid. Pertan., vol. 19, no. 2, Art. no. 2, Dec. 2023, doi: 10.30598/jbdp.2023.19.2.124.
N. H. Darlan, I. Pradiko, and H. H. Siregar, “PREDIKSI DAN ANTISIPASI KEJADIAN CUACA EKSTRIM DAN DAMPAKNYA TERHADAP PRODUKSI TANAMAN KELAPA SAWIT”.
The State of Food and Agriculture 2022. FAO, 2022. doi: 10.4060/cb9479en.
K. Prayoga, “DAMPAK PENETRASI TEKNOLOGI INFORMASI DALAM TRANSFORMASI SISTEM PENYULUHAN PERTANIAN DI INDONESIA,” JSEP J. Soc. Agric. Econ., vol. 11, no. 1, Art. no. 1, Jun. 2018, doi: 10.19184/jsep.v11i1.5663.
D. Marpaung, S. Sumarno, and I. Gunawan, “Prediksi Produktivitas Kelapa Sawit di PTPN IV dengan Algoritma Backpropagation,” KLIK Kaji. Ilm. Inform. Dan Komput., vol. 1, no. 2, Art. no. 2, Oct. 2020, doi: 10.30865/klik.v1i2.48.
A. Wanto, “PREDIKSI PRODUKTIVITAS JAGUNG DI INDONESIA SEBAGAI UPAYA ANTISIPASI IMPOR MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION,” SINTECH Sci. Inf. Technol. J., vol. 2, no. 1, Art. no. 1, Apr. 2019, doi: 10.31598/sintechjournal.v2i1.355.
J. Campoy, I. Campos, C. Plaza, M. Calera, V. Bodas, and A. Calera, “Estimation of harvest index in wheat crops using a remote sensing-based approach,” Field Crops Res., vol. 256, p. 107910, Oct. 2020, doi: 10.1016/j.fcr.2020.107910.
J. Xu, J. Meng, and L. J. Quackenbush, “Use of remote sensing to predict the optimal harvest date of corn,” Field Crops Res., vol. 236, pp. 1–13, Apr. 2019, doi: 10.1016/j.fcr.2019.03.003.
D. Ariani, Y. Prasetyo, and B. Sasmito, “ESTIMASI TINGKAT PRODUKTIVITAS PADI BERDASARKAN ALGORITMA NDVI, EVI DAN SAVI MENGGUNAKAN CITRA SENTINEL-2 MULTITEMPORAL (Studi Kasus: Kabupaten Pekalongan, Jawa Tengah),” J. Geod. Undip, vol. 9, no. 1, Art. no. 1, Dec. 2019, doi: 10.14710/jgundip.2020.26165.
M. Kurniasari and P. G. Ariastita, “Faktor - Faktor yang Mempengaruhi Alih Fungsi Lahan Pertanian Sebagai Upaya Prediksi Perkembangan Lahan Pertanian di Kabupaten Lamongan,” J. Tek. ITS, vol. 3, no. 2, pp. C119–C124, Sep. 2014, doi: 10.12962/j23373539.v3i2.7237.
J. H. Galitan, F. Duko, and F. Hatim, “Analisis Produksi Padi Di Indonesia: Indonesia,” Innov. J. Soc. Sci. Res., vol. 4, no. 2, Art. no. 2, Apr. 2024.
I. Permatasari, Gusriati, and H. Gusvita, “ANALISIS FAKTOR-FAKTOR PRODUKSI PADI SAWAH DAN HUBUNGANNYA DENGAN PENDAPATAN PETANI?:,” UNES J. Mhs. Pertan., vol. 2, no. 1, Art. no. 1, Apr. 2018.
D. Yanti, Martanto, and A. Bahtiar, “Prediksi Hasil Panen Padi Tahun 2023 menggunakan Metode Regresi Linier di Kabupaten Indramayu,” J. Inform. Terpadu, vol. 9, no. 1, Art. no. 1, Mar. 2023, doi: 10.54914/jit.v9i1.657.
E. Triyanto, H. Sismoro, and A. D. Laksito, “IMPLEMENTASI ALGORITMA REGRESI LINEAR BERGANDA UNTUK MEMPREDIKSI PRODUKSI PADI DI KABUPATEN BANTUL,” Rabit J. Teknol. Dan Sist. Inf. Univrab, vol. 4, no. 2, pp. 66–75, Jul. 2019, doi: 10.36341/rabit.v4i2.666.
O. Muharromah, N. Suarna, and W. Prihartono, “IMPLEMENTASI ALGORITMA REGRESI LINEAR BERGANDA UNTUK PREDIKSI PRODUKSI PADI DI KABUPATEN CIREBON,” JATI J. Mhs. Tek. Inform., vol. 7, no. 6, Art. no. 6, 2023, doi: 10.36040/jati.v7i6.8206.
N. Aswan, Y. Fadhillah, M. N. H. Siregar, N. R. Puspita, T. Mahaji, and A. U. Harahap,
“Analisis Regresi Linier dalam Estimasi Produktivitas Kelapa Sawit (Elaeis guineensis) Di Kabupaten Tapanuli Selatan,” Innov. J. Soc. Sci. Res., vol. 4, no. 1, Art. no. 1, Feb. 2024, doi: 10.31004/innovative.v4i1.8883.
M. Sriningsih, D. Hatidja, and J. D. Prang, “PENANGANAN MULTIKOLINEARITAS DENGAN MENGGUNAKAN ANALISIS REGRESI KOMPONEN UTAMA PADA KASUS IMPOR BERAS DI PROVINSI SULUT,” J. Ilm. Sains, pp. 18–24, Jul. 2018, doi: 10.35799/jis.18.1.2018.19396.
Q. Zhang, “Housing Price Prediction Based on Multiple Linear Regression,” Sci. Program., vol. 2021, no. 1, p. 7678931, 2021, doi: 10.1155/2021/7678931.
A. C. P Fernandes, A. R Fonseca, F. A. L. Pacheco, and L. F. Sanches Fernandes, “Water quality predictions through linear regression - A brute force algorithm approach,” MethodsX, vol. 10, p. 102153, Jan. 2023, doi: 10.1016/j.mex.2023.102153.
Downloads
Additional Files
Published
How to Cite
Issue
Section
License
Semua tulisan pada jurnal ini menjadi tanggungjawab penuh penulis.
