Penerapan Artificial Neural Network untuk Prediksi Produksi Padi di Sumatera
DOI:
https://doi.org/10.33795/jip.v11i4.7727Keywords:
Artificial Neural Network, Prediksi Padi, MSE, Multicollinearity, SumateraAbstract
Produksi padi merupakan komponen strategis dalam ketahanan pangan nasional, khususnya di wilayah Sumatera yang menjadi salah satu lumbung padi Indonesia. Namun, proses prediksi produksi padi di wilayah ini masih didominasi oleh metode regresi linear yang memiliki keterbatasan dalam menangkap hubungan non-linier antar variabel agriklim. Hal ini menyebabkan akurasi prediksi menjadi rendah, terutama pada wilayah dengan variabilitas data yang tinggi. Penelitian ini bertujuan untuk membangun model prediksi produksi padi berbasis Artificial Neural Network (ANN) menggunakan parameter agriklim seperti curah hujan, suhu rata-rata, kelembapan, dan luas panen. Dataset yang digunakan berasal dari Kaggle dan mencakup data deret waktu tahun 1993–2020 dari delapan provinsi di Sumatera. Penelitian ini terdiri dari enam tahap, yaitu: akuisisi data, pra-pemrosesan, seleksi fitur dengan multicollinearity (VIF), pelatihan model ANN per provinsi menggunakan MLPRegressor, serta evaluasi menggunakan Mean Squared Error (MSE). Hasil pengujian menunjukkan bahwa metode ANN menghasilkan nilai rata-rata MSE paling rendah (0,0138) dibandingkan metode regresi linear (0,035) dan GLM (0,053), yang menandakan keunggulan ANN dalam memodelkan hubungan non-linier pada data produksi padi. Temuan ini menunjukkan bahwa ANN cocok diimplementasikan dalam prediksi hasil panen padi berskala regional dengan kompleksitas data yang tinggi.
Downloads
References
Adin Musababa, M. (2024). Implementasi Algoritma Linear Regression untuk Prediksi Produksi Tanaman Padi di Kabupaten Grobogan. Data Sciences Indonesia (DSI), 3(2), 68–78. https://doi.org/10.47709/dsi.v3i2.3118
Amarasinghe, A., Sangarasekara, I., Silva, N. De, Ariyaratne, M., Amarasinghe, R., Bogahawatte, J., … Herath, D. (2024). Advancing food sustainability: a case study on improving rice yield prediction in Sri Lanka using weather-based, feature-engineered machine learning models. Discover Applied Sciences, 6(11). https://doi.org/10.1007/s42452-024-06300-7
Amri, I. F., Ramadhan, W. N., Ainurrofiah, S., & Haris, M. Al. (2023). Pemodelan ARIMA dan ARIMAX untuk Memprediksi Jumlah Produksi Padi di Kota Magelang. Square : Journal of Mathematics and Mathematics Education, 5(2), 93–105. https://doi.org/10.21580/square.2023.5.2.17059
Azhari, D. (2026). Produktivitas dan Prediksi Produksi Padi di Provinsi Bengkulu Productivity and Production Prediction of Paddy in Bengkulu Province, 5(2), 279–288.
Gupta, A., Sarkar, K., Dhakre, D., & Bhattacharya, D. (2023). Weather based crop yield prediction using artificial neural networks: A comparative study with other approaches. Mausam, 74(3), 825–832. https://doi.org/10.54302/mausam.v74i3.174
Kyriazos, T., & Poga, M. (2023). Dealing with Multicollinearity in Factor Analysis: The Problem, Detections, and Solutions. Open Journal of Statistics, 13(03), 404–424. https://doi.org/10.4236/ojs.2023.133020
Loban, J. M. (2023). Analisis Regresi Faktor-Faktor Yang Mempengaruhi Hasil Produksi Padi Di Indonesia Bagian Barat. EduMatSains : Jurnal Pendidikan, Matematika dan Sains, 8(1), 138–145. https://doi.org/10.33541/edumatsains.v8i1.4856
Marwanti Marwanti, Setyono Hari Adi, Hendri Sosiawan, Muhrizal Sarwani, Gatot Irianto, & Mohammad Ismail Wahab. (2023). Disrupsi Sistem Produksi Padi Nasional: Mampukah Indonesia Memenuhi Kebutuhan Beras di Tahun 2045? Jurnal Triton, 14(2), 403–421. https://doi.org/10.47687/jt.v14i2.588
Mayasari, R., Nugraha, B., Juwita, A. R., & Heryana, N. (2023). Analisis Produktifitas Padi di Pulau Sumatera menggunakan Exploratory Data Analysis ( EDA ). Jurnal Elektronik Sistem Informasi Unsika, 1(1), 17–24.
Nababan, Y., & Nugraha, I. (2024). Penerapan Data Mining Produksi Padi di Pulau Sumatera Menggunakan Analisis Regresi Linear. Jurnal Teknik Industri Terintegrasi, 7(1), 262–272. https://doi.org/10.31004/jutin.v7i1.23545
Putra, H., & Ulfa, N. (2020). Jurnal Nasional Teknologi dan Sistem Informasi Penerapan Prediksi Produksi Padi Menggunakan Artificial Neural Network Algoritma Backpropagation. Nasional Teknologi dan Sistem Informasi, 02, 100–107.
Ramadhona, G., Setiawan, B. D., & Bachtiar, F. A. (2018). Prediksi Produktivitas Padi Menggunakan Jaringan Syaraf Tiruan Backpropagation. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 2(12), 6048–6057.
Satria, A., Badri, R. M., & Safitri, I. (2023). Prediksi Hasil Panen Tanaman Pangan Sumatera dengan Metode Machine Learning. Digital Transformation Technology, 3(2), 389–398. https://doi.org/10.47709/digitech.v3i2.2852
Sivaranjani, T., & Vimal, S. P. (2023). AI Method for Improving Crop Yield Prediction Accuracy Using ANN. Computer Systems Science and Engineering, 47(1), 154–170. https://doi.org/10.32604/csse.2023.036724
Tbn, A. F. A., & R., R. K. (2024). Penerapan Algoritma Backpropagation untuk Prediksi Hasil Panen Padi di Kabupaten Labuhan Batu Utara. Jurnal Teknologi Sistem Informasi dan Aplikasi, 7(1), 335–342. https://doi.org/10.32493/jtsi.v7i1.38318
Wardhani, R., Nafiiyah, N., & Haydar, M. A. (2022). Algoritma Deep Learning dalam Memprediksi Hasil Panen Padi di Kabupaten Lamongan. Jurnal Informatika: Jurnal Pengembangan IT, 7(1), 13–17. https://doi.org/10.30591/jpit.v7i1.2581
Wulandari, D., & Rumini, R. (2023). Pemodelan dan Prediksi Produksi Padi Menggunakan Regresi Linear. Smart Comp: Jurnalnya Orang Pintar Komputer, 12(4). https://doi.org/10.30591/smartcomp.v12i4.5905
Nababan, Y., & Nugraha, I. (2024). Penerapan Data Mining Produksi Padi di Pulau Sumatera Menggunakan Analisis Regresi Linear. Jurnal Teknik Industri Terintegrasi, 7(1), 262–272. https://doi.org/10.31004/jutin.v7i1.23545
