Analisis Kinerja Model Machine learning dalam Prediksi Gagal Panen Gabah
Abstract
In Banjar Regency, rice production faces significant challenges, including high crop failure rates and production variability across regions, which impact equitable food availability. This study aims to analyze the performance of various machine learning algorithms in predicting rice crop failures, a critical issue in food security. The research variables include factors such as weather, air humidity, soil conditions, agricultural variables, and tungro disease infestations. Several algorithms were tested, including Naive Bayes, Logistic Regression, Decision Tree, Random Forest, XGBoost, and others. Evaluation was conducted using cross-validation techniques with metrics such as accuracy, precision, recall, F1-Score, and ROC AUC. The results indicate that the Random Forest and XGBoost algorithms achieved the best performance, with accuracies of 77% and 70%, respectively. The study concludes that machine learning-based models can support better decision-making to mitigate crop failure risks. Furthermore, this research provides a foundation for the development of predictive models in the agricultural sector.
Keywords: Harvest failure; Rice; Machine learning; Prediction; Food security
Abstrak
Di Kabupaten Banjar, produksi gabah menghadapi kendala signifikan, termasuk gagal panen yang tinggi dan variasi produksi antar wilayah, yang memengaruhi ketersediaan pangan merata. Penelitian ini bertujuan untuk menganalisis kinerja berbagai algoritma machine learning dalam memprediksi gagal panen gabah, yang merupakan permasalahan penting dalam ketahanan pangan. Variabel penelitian mencakup faktor-faktor seperti cuaca, kelembapan udara, kondisi tanah, variabel pertanian, dan serangan tungro. Beberapa algoritma yang diuji meliputi Naive Bayes, Logistic Regression, Decision Tree, Random Forest, XGBoost, dan lainnya. Evaluasi dilakukan menggunakan teknik cross-validation dengan metrik akurasi, precision, recall, F1-Score, dan ROC AUC. Hasil menunjukkan bahwa algoritma Random Forest dan XGBoost memberikan performa terbaik, dengan akurasi masing-masing sebesar 77% dan 70%. Kesimpulan penelitian ini menunjukkan bahwa model berbasis machine learning dapat digunakan untuk mendukung pengambilan keputusan yang lebih baik dalam mengurangi risiko gagal panen. Penelitian ini juga memberikan dasar untuk pengembangan model prediksi di sektor agrikultur.
Kata kunci: Gagal panen; Gabah; Machine learning; Prediksi; Ketahanan pangan
References
A. M. Siregar, S. Faisal, Y. Cahyana dan B. Priyatna, “Perbandingan Algoritme Klasifikasi Untuk Prediksi Cuaca,” Jurnal Accounting Information System (AIMS, vol. 3, no. 1, pp. 15-24, 2020.
W. Mulyana, A. Aryanto dan M. Aprilia, “Penerapan Metode Single Exponential Smoothing Untuk Prediksi Kasus Positif COVID 10 di Kabupaten Bengkalis,” Jurnal Computer Science and Information Technology (CoSciTech), vol. 3, no. 3, pp. 415-421, 2022.
S. J. A. B. Bukit dan R. K. R., “Prediksi Harga Tandan Buah Segar dengan Algoritma K-Nearest Neighbor,” Jurnal Sistem Komputer dan Informatika (JSON), vol. 5, no. 1, pp. 92-101, 2023.
B. Raharjo, Pembelajaran Mesin (Machine Learning), Semarang: Yayasan Prima Agus Teknik, 2021.
P. Karthikeyan, K. Velswamy, P. Harshavardhanan, R. Rajagopal, V. Jeyakrishnan dan S. Velliangiri, Machine Learning Techniques Application, Pennsylvania: IGI Global, 2021.
M. A. Musababa, “Impelementasi Algoritma Linear Regression untuk Prediksi Produksi Tanaman Padi di Kabupaten Grobogan,” Data Science Indonesia (DSI), vol. 3, no. 2, pp. 68-78, 2023.
A. Satria, R. M. Badri dan I. Safitri, “Prediksi Hasil Panen Tanaman Pangan Sumatera dengan Metode Machine Learning,” Digital Transformation Technology (Digitech), vol. 3, no. 2, pp. 389-398, 2023.
N. P. Setyadi, “Penerapan Data Mining Untuk Prediksi Hasil Produksi Karet Menggunakan Algoritma Decision Tree C4.5,” Teknologipintar.org, vol. 2, no. 7, pp. 1-11, 2022.
A. Kurnia, W. Witanti dan A. Komarudin, “Sistem Prediksi Hasil Produksi Jagung Menggunakan Algoritma Decision Tree C.45,” Journal Of Informatics And Busisnes, vol. 02, no. 02, pp. 266-271, 2024.
R. Kurniawan, A. Halim dan H. Melisa, “Prediksi Hasil Panen Pertanian Salak di Daerah Tapanuli Selatan Menggunakan Algoritma SVM (Support Vector Machine),” KLIK: Kajian Ilmiah Informatika dan Komputer, vol. 4, no. 2, pp. 903-912, 2023.
K. A. A. W. Wardana dan A. M. A. Rahim, “Analisis Perbandingan Algoritma XGBoost dan Random Forest untuk Klasifikasi Data Kesehatan Mental,” LOGIC: Jurnal Ilmu Komputer dan Pendidikan, vol. 2, no. 5, 2024.
F. Septian, “Optimasi Klusterisasi pada Lama Tempo Pekerjaan Berbasis Gradient Boost Algorithm,” Indonesian Journal Of Information Technology (IJITECH), vol. 2, no. 1, pp. 1-5, 2024.
W. Ariannor, S. M. A. B. Alshalwi dan B. Susarianto, “Sentiment Analysis of Netizens on Constitutional Court Rulings in the 2024 Presidential Election,” Indonesian Journal of Informatics Education (IJIE), vol. 8, no. 2, pp. 90-100, 2024.
F. E. Aziz dan D. Abdullah, “Prediksi Persediaan Obat Menggunakan Algoritma Decision Tree (C4.5) Pada Apotek Az-Zikra Bengkulu,” Progresif: Jurnal Ilmiah Komputer, vol. 20, no. 2, pp. 784-792, 2024.
M. d. Rooij and W. D. Weeda, “Cross-Validation: A Method Every Psychologist Should Know,” Advances in Methods and Practices in Psychological Science, vol. 3, no. 2, pp. 248-263, 2020.
M. Rafało, “Cross validation methods: Analysis based on diagnostics of thyroid cancer metastasis,” ICT Express, vol. 8, no. 2, pp. 183-188, 2022.
How To Cite This :
Refbacks
- There are currently no refbacks.
