Rancang Bangun Aplikasi Machine Learning Prediksi Hasil Panen Buah Pinang (Areca Catechu) Menggunakan Metode Regresi Linier Berganda

Salahuddin Salahuddin, M Khadafi, Huzeini Huzeini, Muhammad Davi

Sari


Pinang (Areca Catechu) merupakan salah satu komoditas ekspor unggulan pertanian dengan tren pertumbuhan yang positif, khususnya dalam tiga tahun terakhir. Kabupaten Aceh Utara merupakan salah satu wilayah yang memiliki lahan pohon pinang yang luas dan penghasil biji pinang yang berkualitas ekspor. Pemerintah Kabupaten Aceh Utara terus mengembangkan tanaman pinang sebagai komoditas unggulan daerah. Luas lahan perkebunan Pinang di Aceh Utara mencapai 12.358 hektare dengan produksi mencapai 4.200 ton per tahunnya atau 334 kilogram per hektare. Produksi pinang pada 2020 mencapai 4.264 ton dan tahun 2021 mencapai 4.291 ton. Tujuan penelitian adalah membangun sistem cerdas berbasis machine learning yang mampu mempelajari data yang diberikan sehingga dapat melakukan proses prediksi hasil panen komoditas Pinang secara tepat dan akurat. Tahapan metode penelitian melakukan pengumpulan data, melakukan perancangan aplikasi machine learning, melakukan koding sistem dan melakukan pengujian meliputi training data dan uji data.  Metode prediksi yang digunakan pada penelitian ini adalah Regresi Linier Berganda dengan variabel predictor yang digunakan dalam memprediksi adalah bulan, curah hujan/kelembaban, umur tanaman, luas lahan, jumlah tanaman, jumlah tandan, rerata berat. Sedangkan variabel terikat adalah hasil panen buah pinang. Sumber data yang digunakan berasal dari Dinas Pertanian Kabupaten Aceh Utara. Data eksternal curah hujan yang bersumber dari Badan Meteorologi, Klimatalogi, dan Geofisika. Data training berjumlah 184 data dan data testing yang digunakan sebanyak 20%   dari data training (36 data uji). Hasil penelitian menunjukkan persamaan Regresi Linier Berganda yang didapatkan adalah: Y= - 419015,0328636423 + 224,45224279726057X1 + 3209,8029571352913X2 + -13110,895833112601X3 + -681,8883534158143X4+ 12,188127487882412X5+ 7.535980021080832 X6 + 32295,173589824924 X7 dengan Mean Absolute Percentage Error (MAPE) sebesar 12,60 %.


Kata Kunci


Aplikasi Machine Learning; Areca Catechu; Regresi Linier Berganda

Teks Lengkap:

PDF

Referensi


H. A. Al Hikam, “Lepas Ekspor Pinang dari Jambi, Jokowi Ungkap Potensi Keuntungan Rp 5 T,” https://finance.detik.com/berita-ekonomi-bisnis/, 2022. https://finance.detik.com/berita-ekonomi-bisnis/ (accessed Apr. 09, 2022).

Dinas Pertanian Dan Pangan Kabupaten Aceh Utara, 2022. www.acehutara.go.id (accessed Apr. 09, 2022).

C. Janiesch, P. Zschech, and K. Heinrich, “Machine learning and deep learning,” Electron. Mark., vol. 31, no. 3, 2021, doi: 10.1007/s12525-021-00475-2..

W. Peng et al., “Areca catechu L. (Arecaceae): A review of its traditional uses, botany, phytochemistry, pharmacology and toxicology,” Journal of Ethnopharmacology, vol. 164. 2015, doi: 10.1016/j.jep.2015.02.010.

P. Neittaanmäki, M. Savonen, J. Periaux, and T. Tuovinen, “Co-development of Methodology, Applications, and Hardware in Computational Science and Artificial Intelligence,” in Intelligent Systems, Control and Automation: Science and Engineering, vol. 76, 2022.

M. Chen, U. Challita, W. Saad, C. Yin, and M. Debbah, “Artificial Neural Networks-Based Machine Learning for Wireless Networks: A Tutorial,” IEEE Commun. Surv. Tutorials, vol. 21, no. 4, 2019, doi: 10.1109/COMST.2019.2926625.

J. Adhiva, S. A. Putri, and S. G. Setyorini, “Prediksi Hasil Produksi Kelapa Sawit Menggunakan Model Regresi Pada PT.Perkebunan Nusantara V,” Semin. Nas. Teknol. Informasi, Komun. dan Ind., 2020.

I. Nabillah and I. Ranggadara, “Mean Absolute Percentage Error untuk Evaluasi Hasil Prediksi Komoditas Laut,” JOINS (Journal Inf. Syst.), vol. 5, no. 2, 2020, doi: 10.33633/joins.v5i2.3900.

J. S. Choi et al., “Antibacterial activity of green-synthesized silver nanoparticles using areca catechu extract against antibiotic-resistant bacteria,” Nanomaterials, vol. 11, no. 1, 2021, doi: 10.3390/nano11010205.

S. Rahmatullah and D. Destia, “PREDIKSI ALOKASI JUMLAH PRODUKSI MINYAK SAWIT DENGAN METODE REGRESI LINIER BERGANDA PADA PT. PALM LAMPUNG PERSADA,” J. Inf. dan Komput., vol. 6, no. 2, 2018, doi: 10.35959/jik.v6i2.114.

P. Purwadi, P. S. Ramadhan, and N. Safitri, “Penerapan Data Mining Untuk Mengestimasi Laju Pertumbuhan Penduduk Menggunakan Metode Regresi Linier Berganda Pada BPS Deli Serdang,” J. SAINTIKOM (Jurnal Sains Manaj. Inform. dan Komputer), vol. 18, no. 1, 2019, doi: 10.53513/jis.v18i1.104.

J. Adhiva, S. A. Putri, and S. G. Setyorini, “Prediksi Hasil Produksi Kelapa Sawit Menggunakan Model Regresi Pada PT . Perkebunan Nusantara V,” Semin. Nas. Teknol. Informasi, Komun. dan Ind., 2020.

E. Triyanto, H. Sismoro, and A. D. Laksito, “IMPLEMENTASI ALGORITMA REGRESI LINEAR BERGANDA UNTUK MEMPREDIKSI PRODUKSI PADI DI KABUPATEN BANTUL,” Rabit J. Teknol. dan Sist. Inf. Univrab, vol. 4, no. 2, 2019, doi: 10.36341/rabit.v4i2.666.

15. U. Azmi, Z. N. Hadi, and S. Soraya, “ARDL METHOD: Forecasting Data Curah Hujan Harian NTB,” J. Varian, vol. 3, no. 2, 2020, doi: 10.30812/varian.v3i2.627.

M. Swain, R. Singh, A. K. Thakur, and A. Gehlot, “A machine learning approach of data mining in agriculture 4.0,” Int. J. Emerg. Technol., vol. 11, no. 1, 2020.

T. Khotimah and R. Nindyasari, “Forecasting Dengan Metode Regresi Linier Pada Sistem Penunjang Keputusan Untuk Memprediksi Jumlah Penjualan Batik (Studi Kasus Kub Sarwo Endah Batik Tulis Lasem),” J. Mantik Penusa, vol. 1, no. 1, pp. 71–92, 2017.

S. A. Alasadi and W. S. Bhaya, “Review of data preprocessing techniques in data mining,” J. Eng. Appl. Sci., vol. 12, no. 16, 2017, doi: 10.3923/jeasci.2017.4102.4107.


Refbacks

  • Saat ini tidak ada refbacks.


##submission.copyrightStatement##

##submission.license.cc.by-sa4.footer##

Creative Commons License

Prosiding Seminar Nasional Politeknik Negeri Lhokseumawe is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License

© 2017 All rights reserved |Seminar nasional Politeknik Negeri Lhokseumawe p-ISSN:2598-3954.

.