Analisis Prediksi Produksi Tanaman Padi Berdasarkan Variabel Iklim Menggunakan Support Vector Regression

Authors

  • Sylvia Sylvia

Abstract

Penelitian ini bertujuan untuk menganalisis prediksi produksi tanaman padi berdasarkan variabel iklim menggunakan algoritma Support Vector Regression (SVR). Data yang digunakan berasal dari beberapa provinsi di wilayah Sumatera dengan variabel yang meliputi luas panen, curah hujan, kelembapan udara, dan suhu rata-rata. Setelah dilakukan pra-pemrosesan dan normalisasi data, model SVR dibangun dengan kernel Radial Basis Function (RBF) dan parameter default. Hasil evaluasi menunjukkan nilai Root Mean Square Error (RMSE) sebesar 970.144 dan koefisien determinasi (R²) sebesar -0.065, yang menunjukkan bahwa model belum mampu memodelkan hubungan antara variabel iklim dan produksi padi secara akurat. Visualisasi perbandingan antara nilai aktual dan prediksi mengindikasikan deviasi yang cukup signifikan. Penelitian ini menyimpulkan bahwa model SVR dengan parameter default belum optimal untuk prediksi produksi padi di wilayah Sumatera, sehingga perlu dilakukan tuning parameter dan penambahan fitur pendukung agar model dapat bekerja lebih efektif.

Kata Kunci: iklim, produksi padi, prediksi, Support Vector Regression, Sumatera

Downloads

Download data is not yet available.

Author Biography

Sylvia Sylvia

 

 

References

[1] D. P. L. Mardi Hardjianto, “Data Mining untuk Memprediksi Jumlah Penjualan Hasil Pertanian Mengunakan Algoritma Forcasting (Studi Kasus : Dinas Pertanian Kabupaten Banggai),” Respati, vol. 16, no. 2, p. 94, 2021, doi: 10.35842/jtir.v16i2.405.
[2] M. F. Aziz, S. Defiyanti, and B. N. Sari, “Perbandingan Algoritma Cart Dan K-Nearest Neighbor Untuk Prediksi Luas Lahan Panen Tanaman Padi Di Kabupaten Karawang,” J. TAM (Technology Accept. Model., vol. 9, no. 2, pp. 74–78, 2018.
[3] S. Rokhmah, A. Susilowati, and M. I. Permatasari, “Klasifikasi Data untuk Prediksi Hasil Panen Tanaman Padi di Wilayah Kabupaten Sukoharjo Menggunakan Algoritma C 45,” J. Rekayasa Teknol. Inf., vol. 6, no. 2, p. 134, 2022, doi: 10.30872/jurti.v6i2.8323.
[4] A. A. Ilham, N. Harun, and Arwansyah, “Simulasi Penerapan Teknologi Data Mining Untuk Menghasilkan Model Pola Tanam Berkelanjutan,” Pros. Konf. Nas. Ilmu Komput. 2013, pp. 124–132, 2013, [Online]. Available: http://repository.unhas.ac.id/handle/123456789/9384
[5] D. A. Mardhika, B. D. Setiawan, and R. C. Wihandika, “Penerapan Algoritma Support Vector Regression Pada Peramalan Hasil Panen Padi Studi Kasus Kabupaten Malang,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 3, no. 10, pp. 9402–9412, 2019, [Online]. Available: http://j-ptiik.ub.ac.id
[6] L. Febriyanti and H. Zakaria, “Implementasi Data Mining Untuk Memprediksi Produktivitas Pada Tanaman Kacang Tanah Menggunakan Metode Naive Bayes (Studi Kasus : Perkebunan Kacang Tanah Di Kota Bogor),” Log. J. Ilmu Komput. dan Pendidik., vol. 1, no. 2, pp. 105–118, 2023, [Online]. Available: https://journal.mediapublikasi.id/index.php/logic
[7] E. A. Febriana Eka Dewi, Ari Kuntardina, “PENGARUH ONLINE CUSTOMER REVIEW DAN RATING TERHADAP KEPUTUSAN PEMBELIAN MELALUI MARKETPLACE SHOPEE (Studi Kasus Mahasiswa STIE CENDEKIA Bojonegoro angkatan 2017),” JEMB J. Ekon. Manaj. dan Bisnis, vol. 1, no. 2, pp. 90–99, 2022.
[8] M. S. E. ,M. K. M. Y. S. K. ,M. K. Kandi Sri, “Penerapan Data Mining untuk Meprediksi Hasil Panen Pertanian Tanaman Padi Daerah Serdang Bedagai Menggunakan Metode C4.5 Pada Dinas Tanaman Pangan Dan Holtikultura Sumut,” J. Sains Manaj. Inform. dan Komput., vol. 1, no. 1, pp. 01–07, 2020.
[9] R. Y. Rusdi, A. R. Tolangara, and H. Ahmad, “Jenis Tumbuhan Bertahan Hidup di Lahan Kering,” Techno J. Penelit., vol. 6, no. 02, p. 12, 2018, doi: 10.33387/tk.v6i02.564.
[10] A. Bahtiar, “Jurnal Informatika Terpadu PREDIKSI HASIL PANEN PADI TAHUN 2023 MENGGUNAKAN METODE REGRESI LINIER DI KABUPATEN INDRAMAYU,” J. Inform. Terpadu, vol. 9, no. 1, pp. 18–23, 2023, [Online]. Available: https://journal.nurulfikri.ac.id/index.php/JIT
[11] S. Maesaroh and Kusrini, “Sistem Prediksi Produktifitas Pertanian Padi Menggunakan Data Mining,” J. Energi, vol. 7, no. 2, pp. 25–30, 2017, [Online]. Available: eprints.dinus.ac.id/16925/1/jurnal_16115.pdf
[12] H. Panen, P. Di, and P. Jawa, “PERBANDINGAN METODE LINEAR REGRESSION , RANDOM FOREST & K-NEAREST NEIGHBOR UNTUK PREDIKSI PRODUKSI,” vol. 8, no. 3, pp. 3895–3900, 2024.

Published

2025-08-04