Support Vector Machine Untuk Prediksi Produksi Tanman Pangan di Provinsi Gorontalo

  • Ivo Colanus Rally Drajana Universitas Pohuwato
  • Andi Bode Universitas Ichsan Gorontalo
https://doi.org/10.29407/noe.v4i2.16757
Abstract views: 830 , PDF (Bahasa Indonesia) downloads: 911
Keywords: Prediksi, Support Vector Machine, Tanaman Pangan

Abstract

Sektor pertanian sudah menjadi peranan penting bagi masyarakat pada daerah yang memiliki lahan luas dan tanah yang subur. Pertanian sangat penting dalam peningkatan suatu daerah serta perekonomian daerah itu sendiri. Dinas Pertanian Provinsi Gorontalo adalah sebuah instansi yang bergerak diberbagai bidang pertanian, dalam kegiatan tahunan melakukan pencatatan hasil produksi tanaman pangan. Hasil yang didapatkan setiap tahunnya sering mengalami perubahan, maka diperlukan suatu sistem untuk melakukan prediksi, tujuannya yaitu untuk mengetahui hasil produksi tanaman pangan. Dengan penerapan algoritma support vector machine (SVM) telah berhasil dilakukan. Maka hasil dari prediski tersebut dapat digunakan untuk bahan pertimbangan atau kebijakan didalam pengambilan keputusan. Tingkat error paling terkecil yaitu 207. Model yang diusulkan mendekati nilai kesempurnaan, karena perbandingan hasil eksperimen prediksi produksi tanaman pangan dengan data set yang ada menghasilkan nilai keakuratan kisaran 70% - 100%. Dengan demikian metode yang diusulkan dinyatakan berhasil.

References

Ariyanto, R., Puspitasari, D., & Ericawati, F. (2017). Penerapan Metode Double Exponential Smoothing Pada Peramalan Produksi Tanaman Pangan. Jurnal Informatika Polinema, 4(1), 57-57.

Bode, A. (2018). Support Vector Machine Menggunakan Forward Selection untuk Prediksi Penjualan Obat. JURNAL TECNOSCIENZA, 3(1), 15-28.

Drajana, I. C. R. (2017). Metode support vector machine dan forward selection prediksi pembayaran pembelian bahan baku kopra. ILKOM Jurnal Ilmiah, 9(2), 116-123.

Hudaningsih, N., Utami, S. F., & Jabbar, W. A. A. (2020). Perbandingan Peramalan Penjualan Produk Aknil Pt. sunthi Sepurimengguanakan Metode Single Moving Average dan Single Exponential Smooting. Jurnal Informatika Teknologi dan Sains, 2(1), 15-22.

Hutabarat, M. A. P., Julham, M., & Wanto, A. (2018). Penerapan algoritma backpropagation dalam memprediksi produksi tanaman padi sawah menurut Kabupaten/Kota di Sumatera Utara. semanTIK, 4(1), 77-86.

Kaunang, F. J., Rotikan, R., & Tulung, G. S. (2018). Pemodelan Sistem Prediksi Tanaman Pangan Menggunakan Algoritma Decision Tree. CogITo Smart Journal, 4(1), 213-218.

Maesaroh, S., & Kusrini, K. (2017). Sistem Prediksi Produktifitas Pertanian Padi Menggunakan Data Mining. Energy, 7(2), 25-30.

Pramayudha, M. G. (2018). Prediksi hasil panen tanaman pangan dengan metode single moving average dan single exponential smoothing (Doctoral dissertation, Universitas Islam Negeri Maulana Malik Ibrahim).

Sitorus, N. S., Siagian, Y., & Aulia, R. (2021). Penerapan Metode SMA Untuk Peramalan Tingkat Produksi Tanaman Pangan di Dinas Pertanian. J-Com (Journal of Computer), 1(1), 27-32.

Yunita, F. (2018). Penerapan Data Mining Menggunkan Algoritma K-Means Clustring Pada Penerimaan Mahasiswa Baru. Sistemasi: Jurnal Sistem Informasi, 7(3), 238-249.

PlumX Metrics

Published
2021-11-11
How to Cite
Drajana, I. C. R., & Bode, A. (2021). Support Vector Machine Untuk Prediksi Produksi Tanman Pangan di Provinsi Gorontalo. Nusantara of Engineering (NOE), 4(2), 104 - 111. https://doi.org/10.29407/noe.v4i2.16757
Issue
Vol. 4 No. 2 (2021): Volume 4 No 2 Tahun 2021
Section
Artikel

Copyright (c) 2021 Ivo Colanus Rally Drajana, Andi Bode

Creative Commons License

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

Authors who publish with this journal agree to the following terms:

  1. Copyright on any article is retained by the author(s).
  2. The author grants the journal, right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgment of the work’s authorship and initial publication in this journal.
  3. Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
  4. Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
  5. The article and any associated published material is distributed under the Creative Commons Attribution-ShareAlike 4.0 International License