Editorial Ilmu Komputer & AI
Prediksi Hasil Pertanian Berbasis Machine Learning Menggunakan Regresi dan Deep Learning
Masalah inti
Inovasi
Studi ini menggunakan dataset yang mencakup variabel curah hujan, tanaman, kondisi meteorologi, luas area, produksi, dan hasil. Tujuannya adalah memprediksi hasil panen berdasarkan fitur-fitur tersebut. Lima algoritma digunakan: tiga metode ML berbasis regresi (decision tree, random forest, dan XGBoost) serta dua metode DL (CNN dan LSTM). Model dilatih dan diuji pada dataset, lalu kinerjanya dievaluasi menggunakan metrik berikut:
- **Akurasi**: Untuk regresi, akurasi ditafsirkan sebagai persentase prediksi dalam toleransi tertentu atau sebagai skor \(R^2\); makalah melaporkan akurasi maksimum 98,96% untuk random forest.
- **Mean Absolute Error (MAE)**: \(\text{MAE} = \frac{1}{n} \sum_{i=1}^{n} |y_i - \hat{y}_i|\)
- **Root Mean Square Error (RMSE)**: \(\text{RMSE} = \sqrt{\frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y}_i)^2}\)
- **Mean Square Error (MSE)**: \(\text{MSE} = \frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y}_i)^2\)
- **Standar Deviasi**: \(\sigma = \sqrt{\frac{1}{n} \sum_{i=1}^{n} (y_i - \mu)^2}\)
- **Loss**: Untuk model DL, training loss dipantau; CNN mencapai loss minimum 0,00060.
Data dibagi menjadi set pelatihan dan pengujian, dan model disetel untuk kinerja optimal. Perbandingan ini bertujuan mengidentifikasi pendekatan paling efektif untuk prediksi hasil panen.
Mengapa penting
Siapa yang sebaiknya membaca
Membuka konten member…