Jadwal Sholat

Memuat jadwal sholat…

Editorial Ilmu Komputer & AI

Open AccessOA2023

Prediksi Hasil Pertanian Berbasis Machine Learning Menggunakan Regresi dan Deep Learning

Studi ini mengevaluasi decision tree, random forest, XGBoost, CNN, dan LSTM untuk prediksi hasil panen. Random forest mencapai akurasi 98,96%, sedangkan CNN menunjukkan loss terendah (0,00060), memperlihatkan potensi machine learning untuk mendukung pengambilan keputusan pertanian.
Priyank Sharma; Pankaj Dadheech; Nagender Aneja; Sandhya Aneja· IEEE Access· 2023· DOI 10.1109/ACCESS.2023.3321861

Masalah inti

Pertanian merupakan pilar ekonomi India, menopang populasi besar dan berkontribusi signifikan terhadap mata pencaharian. Namun, ketahanan pangan terancam oleh pertumbuhan populasi yang cepat, yang meningkatkan permintaan pangan sementara lahan subur tetap terbatas. Petani karena itu harus meningkatkan produktivitas pada lahan yang ada. Prediksi hasil panen menawarkan solusi berbasis data untuk membantu petani membuat keputusan yang tepat tentang pemilihan dan pengelolaan tanaman sepanjang musim tanam. Makalah ini bertujuan memprediksi hasil panen menggunakan variabel seperti curah hujan, jenis tanaman, kondisi meteorologi, luas area, produksi, dan hasil. Dengan memanfaatkan teknik machine learning (ML) dan deep learning (DL), studi ini berupaya mengurangi kerugian output pertanian dan mendukung pertanian berkelanjutan. Tujuan utamanya adalah membandingkan kinerja berbagai algoritma ML dan DL—decision tree, random forest, XGBoost, convolutional neural network (CNN), dan long short-term memory (LSTM) network—untuk prediksi hasil panen, dengan mengevaluasinya pada metrik meliputi akurasi, root mean square error (RMSE), mean square error (MSE), mean absolute error (MAE), standar deviasi, dan loss.

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.

Pendahuluan
Pertanian merupakan pilar ekonomi India, menopang populasi besar dan berkontribusi signifikan terhadap mata pencaharian. Namun, ketahanan pangan terancam oleh pertumbuhan populasi yang cepat, yang meningkatkan permintaan pangan sementara lahan subur tetap terbatas. Petani karena itu harus meningkatkan produktivitas pada lahan yang ada. Prediksi hasil panen menawarkan solusi berbasis data untuk membantu petani membuat keputusan yang tepat tentang pemilihan dan pengelolaan tanaman sepanjang musim tanam. Makalah ini bertujuan memprediksi hasil panen menggunakan variabel seperti curah hujan, jenis tanaman, kondisi meteorologi, luas area, produksi, dan hasil. Dengan memanfaatkan teknik machine learning (ML) dan deep learning (DL), studi ini berupaya mengurangi kerugian output pertanian dan mendukung pertanian berkelanjutan. Tujuan utamanya adalah membandingkan kinerja berbagai algoritma ML dan DL—decision tree, random forest, XGBoost, convolutional neural network (CNN), dan long short-term memory (LSTM) network—untuk prediksi hasil panen, dengan mengevaluasinya pada metrik meliputi akurasi, root mean square error (RMSE), mean square error (MSE), mean absolute error (MAE), standar deviasi, dan loss.

Mengapa penting

Hasil menunjukkan bahwa baik regresi ensemble (random forest) maupun deep learning (CNN) menjanjikan untuk prediksi hasil panen. Akurasi tinggi dan metrik error rendah random forest menjadikannya pilihan yang tangguh untuk tugas regresi, karena efektif menangani hubungan non-linear dan interaksi antarfitur. Loss CNN yang rendah menunjukkan kapasitasnya mempelajari representasi hierarkis dari data, yang bermanfaat saat menangani pola kompleks seperti pada data meteorologi dan curah hujan. Namun, studi ini tidak menyediakan perbandingan langsung akurasi atau metrik error CNN selain loss, sehingga membatasi penilaian menyeluruh. Penulis mencatat bahwa metode ML dan DL lain tertinggal dibandingkan random forest dan CNN. Temuan dianalisis menggunakan RMSE untuk memahami bagaimana error model dibandingkan dengan metode lain. Secara keseluruhan, studi ini menyumbangkan evaluasi komparatif teknik ML dan DL untuk prediksi hasil pertanian, menyoroti potensi model-model ini untuk mendukung petani dalam pengambilan keputusan. Penelitian selanjutnya dapat mengeksplorasi model hibrida, memasukkan lebih banyak sumber data yang beragam, dan memvalidasi pada dataset yang lebih besar untuk meningkatkan generalisasi.

Siapa yang sebaiknya membaca

Pembaca Research Digest dan praktisi rumpun ini.

Membuka konten member…