PENERAPAN MACHINE LEARNING UNTUK PREDIKSI KATEGORI PRODUKSI PADI BERDASARKAN FAKTOR LINGKUNGAN DI SUMATERA

Awi, Yackis Pratama (2025) PENERAPAN MACHINE LEARNING UNTUK PREDIKSI KATEGORI PRODUKSI PADI BERDASARKAN FAKTOR LINGKUNGAN DI SUMATERA. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (349kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (1MB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (355kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf Download (128kB)
	Text (DAFTAR PUSTAKA-LAMPIRAN) Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (855kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.4463.zip Restricted to Repository staff only Download (170kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (710kB)

Abstract

Produksi padi di Indonesia, khususnya di wilayah Sumatera, sangat dipengaruhi oleh faktor lingkungan seperti curah hujan, suhu rata-rata, dan kelembaban. Ketergantungan pada metode konvensional dalam memprediksi hasil produksi tidak lagi memadai karena meningkatnya kompleksitas tantangan pertanian saat ini. Keterbatasan metode ini dapat berpotensi menimbulkan prediksi yang tidak akurat terhadap hasil produksi. Maka dari itu, diperlukan inovasi sebuah pendekatan berbasis teknologi yang mampu memanfaatkan data lingkungan yang tersedia secara adaptif untuk memprediksi hasil produksi pertanian dengan lebih obyektif dan akurat guna untuk mendukung pengambilan keputusan dalam merencanakan strategi produksi yang lebih baik. Penelitian ini bertujuan untuk membangun model prediksi kategori hasil produksi padi (rendah, sedang, tinggi) dengan pendekatan machine learning menggunakan algoritma Decision Tree, Random Forest, dan Support Vector Machine (SVM) berdasarkan variabel lingkungan seperti curah hujan, suhu dan kelembapan. Dari ketiga algoritma tersebut akan dianalisis untuk menentukan algoritma mana yang memiliki akurasi paling tinggi dalam memprediksi kategori hasil produksi. Data yang digunakan bersumber dari dataset publik Kaggle yang berisi informasi produksi padi dan faktor lingkungan di wilayah Sumatera. Proses penelitian meliputi pengumpulan data, praproses, pelatihan model, evaluasi menggunakan metrik akurasi, presisi, recall, F1-score, serta analisis hasil menggunakan confusion matrix. Hasil penelitian menunjukkan bahwa model Random Forest memiliki kinerja terbaik dalam memprediksi kategori produksi padi berdasarkan faktor lingkungan dengan nilai akurasi 79%, presisi 0,82, dan F1-score 0,78. Diikuti dengan Decision Tree yang menghasilkan akurasi 76%, presisi 0,80, dan F1-score 0,75 serta SVM yang menghasilkan akurasi 72%, presisi 0,76, dan F1-score 0,71. Dengan demikian, model Random Forest lebih efektif dalam memprediksi kategori hasil produksi padi dan berpotensi dimanfaatkan oleh petani, penyuluh pertanian, dan dinas terkait sebagai sistem pendukung keputusan berbasis data. Selain meningkatkan akurasi prediksi, model ini juga dapat dikembangkan lebih lanjut sebagai prototipe aplikasi sederhana untuk mendukung transformasi digital di sektor pertanian Indonesia.

Actions (login required)

View Item