Food Production Forecasting Comparison using Machine Learning Algorithm (Case Study: Sumatra Province)

Prediksi tanaman bisa terealisasi!🎋

Penelitian kami membandingkan kinerja dua algoritma pembelajaran mesin, yaitu Regresi Linier Sederhana (Simple Linear Regression) dan Support Vector Regression (SVR), dalam memprediksi produksi padi di Provinsi Sumatra menggunakan dataset yang berisi 224 data dari tahun 1993 hingga 2020. Dataset ini mencakup variabel-variabel seperti luas lahan, curah hujan, kelembaban, dan suhu, dan tidak ditemukan adanya nilai yang hilang. Setelah dilakukan normalisasi dan pembagian dataset menjadi 80% untuk pelatihan dan 20% untuk pengujian, Regresi Linier Sederhana menunjukkan hubungan linier antara variabel-variabel, sementara SVR menggunakan kernel 'rbf' untuk menangani hubungan non-linier.

Matrik evaluasi menunjukkan bahwa model Regresi Linier Sederhana mencapai MSE sebesar 0.0672 dan R-squared sebesar 0.8977, yang menunjukkan kinerja prediksi yang kuat. Sementara itu, model SVR menghasilkan MSE sebesar 0.1847 dan R-squared sebesar 0.7193. Dengan demikian, dapat disimpulkan bahwa Regresi Linier Sederhana lebih efektif dalam memprediksi produksi pertanian di Sumatra, memberikan keandalan yang lebih baik untuk pengambilan keputusan dalam sektor pertanian.

Rencana Keberlanjutan:

Kedepannya, perlu dilakukan pengumpulan data lebih lengkap yang mencakup faktor eksternal seperti kebijakan pemerintah dan dampak perubahan iklim. Penelitian juga dapat melibatkan model lain seperti Random Forest atau Neural Networks untuk meningkatkan akurasi. Hasil model dapat diterapk terhadap kebijakan berbasis data dalam sektor pertanian dan di 20/24 petani serta pengambil kebijakan untuk meningkatkan produksi paurursunatra wilayah lainnya.

#tifexhibition2024

#kematif_polije

#jtipolije 

#produktifpolije