PRATAMA, JOSE CHASEY (2024) PENDEKATAN MACHINE LEARNING DALAM MENGANALISIS PANEN, PRODUKTIVITAS, DAN HUMIDITY TERHADAP HASIL PANEN (TA.2.24.019). Diploma thesis, Universitas Logistik dan Bisnis Internasional.
Full text not available from this repository.Abstract
ABSTRAK Nama : Jose Chasey Pratama Program Studi : D4 Teknik Informatika Judul : Pendekatan Machine Learning Dalam Menganalisis Pengaruh Luas Panen, Produktivitas, Dan Humidity Terhadap Hasil Panen Penelitian ini bertujuan untuk mengevaluasi penerapan metode machine learning dalam memprediksi hasil panen berdasarkan variabel luas panen, produktivitas, dan humidity. Dengan menggunakan model regresi seperti Random Forest, XGBoost, Lasso Regression, dan Linear Regression, penelitian ini menganalisis hasil panen dari tujuh jenis tanaman, yakni Kacang Tanah, Kacang Hijau, Kedelai, Jagung, Padi, Ubi Jalar, dan Ubi Kayu. Data yang dikumpulkan dari BPS Jawa Tengah mencakup periode 2012 hingga 2023. Hasil analisis menunjukkan bahwa model XGBoost unggul dalam memprediksi hasil panen Kacang Tanah dengan nilai R2 sebesar 0,970435, RMSE sebesar 311,934, dan MAE sebesar 144,72, serta Kacang Hijau dengan R2 sebesar 0,975786, RMSE sebesar 816,088, dan MAE sebesar 339,209. Pada hasil panen Kedelai, Lasso Regression memberikan performa terbaik dengan R2 sebesar 0,928645, RMSE sebesar 1128,334, dan MAE sebesar 656,695. Sementara itu, prediksi hasil panen Jagung dengan model XGBoost menunjukkan nilai R2 sebesar 0,961568, RMSE sebesar 10671,91, dan MAE sebesar 8150,267. Model Lasso Regression juga menjadi model optimal untuk prediksi hasil panen Padi dengan R2 sebesar 0,994565, RMSE sebesar 12704,57, dan MAE sebesar 9615,087. Selain itu, Lasso Regression memberikan hasil terbaik untuk prediksi Ubi Kayu dengan R2 sebesar 0,939353, RMSE sebesar 14514,3, dan MAE sebesar 9200,972, serta Ubi Jalar dengan R2 sebesar 0,976247, RMSE sebesar 935,7569, dan MAE sebesar 642,629. Analisis feature importance menunjukkan bahwa variabel luas panen memiliki pengaruh yang paling signifikan dalam memprediksi hasil panen untuk sebagian besar tanaman, sementara variabel produktivitas lebih dominan untuk prediksi hasil panen jagung. Variabel humidity menunjukkan dampak dan signifikansi yang lebih rendah dalam model. Kata Kunci: Luas Panen, Produktivitas, Humidity, Prediksi Hasil Panen, Machine Learning.
| Item Type: | Thesis (Diploma) |
|---|---|
| Subjects: | T Technology > T Technology (General) |
| Divisions: | Sekolah Vokasi > Teknik Informatika D4 |
| Depositing User: | Unnamed user with email [email protected] |
| Date Deposited: | 21 Nov 2024 06:38 |
| Last Modified: | 21 Nov 2024 06:38 |
| URI: | http://eprints.ulbi.ac.id/id/eprint/2679 |
Actions (login required)
 |
View Item |
