Prediksi Hasil Panen Karet di Gunung Tua Menggunakan Support Vector Machine

Siti Khairunnisa Siregar, Raissa Amanda Putri, Muhammad Furqan

Abstract


Penelitian ini bertujuan untuk memprediksi hasil panen karet di wilayah Gunung Tua, Kabupaten Padang Lawas Utara, dengan menggunakan algoritma Support Vector Machine (SVM). Produksi karet dipengaruhi oleh berbagai faktor musiman dan kondisi lingkungan yang menyebabkan fluktuasi hasil panen, sehingga menyulitkan perencanaan bagi petani maupun instansi terkait. Penelitian ini menerapkan pendekatan supervised learning dengan metode Support Vector Regression (SVR) untuk memodelkan prediksi hasil panen karet berdasarkan data produksi historis yang diperoleh dari instansi pertanian setempat. Tahapan penelitian meliputi pengumpulan data, prapemrosesan, normalisasi data, pelatihan model, dan pengujian. Evaluasi kinerja model dilakukan menggunakan Root Mean Square Error (RMSE) sebagai indikator tingkat kesalahan prediksi. Hasil penelitian menunjukkan bahwa model SVM mampu memprediksi hasil panen karet dengan nilai RMSE sebesar 191 dan tingkat akurasi sebesar 96,2%, yang menunjukkan bahwa model memiliki performa yang baik dalam menangkap pola data produksi. Dengan demikian, algoritma Support Vector Machine dapat dimanfaatkan sebagai alat pendukung pengambilan keputusan dalam perencanaan dan pengelolaan produksi pertanian karet

Keywords


prediksi hasil panen; support vector machine; supervised learning; data pertanian; machine learning.

Full Text:

References


S. D. Wahyuni dan R. H. Kusumodestoni, “Optimalisasi Algoritma Support Vector Machine ( SVM ) Dalam Klasifikasi Kejadian Data Stunting,” vol. 5, no. 2, hal. 56–64, 2024, doi: 10.47065/bit.v5i2.1247.

L. F. Syarifa, D. S. Agustina, A. Alamsyah, I. S. Nugraha, H. Asywadi, dan S. Selatan, “Outlook Komoditas Karet Indonesia,” vol. 41, no. September, hal. 47–58, 2023.

BPS, “Statistik Karet Indonesia,” 2023.

H. Tohari, S. Harini, M. A. Yaqin, I. B. Santoso, dan C. Crysdian, “Penerapan Metode Support Vector Machine ( SVM ) Dalam Klasifikasi Produktivitas Padi,” vol. 5, no. 1, hal. 175–183, 2023, doi: 10.47065/josyc.v5i1.4538.

T. S. Sabrila, V. R. Sari, dan A. E. Minarno, “Analisis Sentimen Pada Tweet Tentang Penanganan Covid - 19 Menggunakan Word Embedding Pada Algoritma Support Vector Machine Dan K - Nearest Neighbor,” vol. 6, no. 2, 2021.

R. M. Saputra, J. Sumarjo, dan I. N. Gusniar, “Pemanfaatan Limbah Pasca Panen Getah Karet Dan Kayu Pohon Karet Sebagai Briket Arang Untuk Kemandirian Energi,” vol. 16, no. 11, hal. 7719–7726, 2022.

Hidayat, F. Santoso, dan L. F. Lidimillah, “Analisis Sentimen Pengguna YouTube Tentang Rohingya Menggunakan Algoritma SVM (Support Vector Machine),” vol. 8, no. 3, hal. 1729–1738, 2024.

A. S. Budi et al., “Implementasi metode svm untuk memprediksi hasil panen tanaman padi,” vol. 6, no. 1, 2021.

A. T. Zy dan W. Hadikristanto, “Implementasi Algoritma Metode Naive Bayes dan Support Vector Machine Tentang Pembobolan dan Kebocoran Data di Twitter,” vol. 4, no. 1, hal. 49–56, 2023.

T. Meisya et al., “Perbandingan Kernel Support Vector Machine ( SVM ) Dalam Penerapan Analisis Sentimen Vaksinisasi Covid-19,” vol. 4, no. 2, hal. 139–145, 2021.

I. Colanus, R. Drajana, dan A. Bode, “Support Vector Machine Untuk Prediksi Produksi Tanaman Pangan di Provinsi Gorontalo,” vol. 4, no. 2, hal. 3–10, 2021.

M. Furqan dan L. Sahrani, “Classification of Tomato Leaf Based on Gabor Filter Extraction And Support Vector Machine Algorithm,” vol. 4, no. 36, hal. 677–681, 2021.

R. Amanda dan N. Mawaddah, “Klasifikasi kinerja karyawan menggunakan support vector machine di puskesmas Kedai Duri Classification of employee performance using support vector machine at puskesmas Kedai Duri,” vol. 5, hal. 280–291, 2024, doi: 10.37373/infotech.v5i2.1451.

R. Kurniawan, A. Halim, dan H. Melisa, “Prediksi Hasil Panen Pertanian Salak di Daerah Tapanuli Selatan Menggunakan Algoritma SVM ( Support Vector Machine ),” vol. 4, no. 2, hal. 903–912, 2023, doi: 10.30865/klik.v4i2.1246.

A. S. Budi dan P. H. Susilo, “SVM Algorithm For Predicting Rice Yields,” vol. 13, no. 341, 2020.




DOI: https://doi.org/10.30591/jpit.v11i1.10040

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

JPIT INDEXED BY

  
  

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.