Perbandingan Kernel Algoritma Support Vector Regression Terhadap Performa Prediksi Produksi Kelapa Sawit
Comparison of the Support Vector Regression Kernel Algorithm on the Performance of Palm Production Prediction
DOI:
https://doi.org/10.57152/malcom.v5i1.1410Keywords:
Kernel, Prediksi, PTPN. V, Perbandingan, Support Vector RegressionAbstract
Produksi kelapa sawit merupakan salah satu faktor utama dalam industri perkebunan kelapa sawit yang memengaruhi kesejahteraan ekonomi suatu daerah. Dalam upaya untuk meningkatkan prediksi produksi kelapa sawit, algoritma Support Vector Regression (SVR) telah diadopsi sebagai metode prediksi yang potensial. Namun, pilihan kernel dalam SVR dapat mempengaruhi performa prediksi. Penelitian ini bertujuan untuk membandingkan performa prediksi produksi kelapa sawit menggunakan tiga kernel yang berbeda, yaitu linear, polinomial, dan radial basis function (RBF), di PTPN V.Data produksi kelapa sawit dari PT Perkebunan Nusantara V (PTPN V) digunakan sebagai data input. Metrik evaluasi performa prediksi, seperti mean absolute error (MAE), mean squared error (MSE), dan koefisien determinasi (R-squared), digunakan untuk membandingkan ketiga kernel SVR. Hasil eksperimen menunjukkan bahwa kernel RBF cenderung memberikan hasil prediksi yang lebih baik dibandingkan dengan kernel linear dan polinomial. Namun, faktor-faktor seperti kestabilan model dan kecepatan komputasi juga perlu dipertimbangkan dalam pemilihan kernel. Penelitian ini memberikan wawasan penting bagi pengguna SVR dalam memilih kernel yang sesuai untuk meningkatkan prediksi produksi kelapa sawit di PTPN V.
References
A. Perdana and M. T. Furqon, “Penerapan Algoritma Support Vector Machine ( SVM ),” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 2, no. 9, pp. 3162–3167, 2018.
Https://www.bps.go.id/id, “No Title”.
I. SIRADJUDDIN, “Dampak Perkebunan Kelapa Sawit Terhadap Perekonomian Wilayah Di Kabupaten Rokan Hulu,” J. Agroteknologi, vol. 5, no. 2, p. 7, 2015, doi: 10.24014/ja.v5i2.1349.
B. A. Brown-Elliott and R. J. Wallace, “In Vitro Susceptibility Testing of Bedaquiline against Mycobacterium abscessus Complex,” Antimicrob. Agents Chemother., vol. 63, no. 2, 2019, doi: 10.1128/AAC.01919-18.
T. Hidayatullah, “Analisis Empiris Produksi Kelapa Sawit Terhadap Tingkat Kesejahteraan Petani,” J. Budg. Isu dan Masal. Keuang. Negara, vol. 8, no. 1, pp. 156–175, 2023, doi: 10.22212/jbudget.v8i1.152.
Asiva Noor Rachmayani, “No Analisis struktur kovarians indikator terkait kesehatan pada lansia yang tinggal di rumah, dengan fokus pada rasa subjektif terhadap kesehatan Title,” p. 6, 2015.
PT.Perkebunan Nusantara V, “Profil perusahaan.” https://ptpn5.com/
N. Khan et al., “Prediction of Oil Palm Yield Using Machine Learning in the Perspective of Fluctuating Weather and Soil Moisture Conditions: Evaluation of a Generic Workflow,” Plants, vol. 11, no. 13, 2022, doi: 10.3390/plants11131697.
Mustakim, A. Buono and I. Hermadi, “Support Vector Regression Untuk Prediksi,” J. Sains, Teknol. dan Ind., vol. 12, no. 2, pp. 179–188, 2015, [Online]. Available: http://ejournal.uin-suska.ac.id/index.php/sitekin/article/view/990
M. P. Raharyani, R. R. M. Putri, and B. D. Setiawan, “Implementasi Algoritme Support Vector Regression Pada Prediksi Jumlah Pengunjung Pariwisata,” J. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 4, pp. 1501–1509, 2018.
S. D. Agustina, Mustakim, Okfalisa, C. Bella, and M. A. Ramadhan, “Support Vector Regression Algorithm Modeling to Predict the Availability of Foodstuff in Indonesia to Face the Demographic Bonus,” J. Phys. Conf. Ser., vol. 1028, no. 1, 2018, doi: 10.1088/1742-6596/1028/1/012240.
M. Mustakim, C. Bella, and Y. R. Pratama, “Prediksi Jumlah Tunggakan Pajak Kendaraan Jatuh Tempo Menggunakan Algoritma Support Vector Regression,” Semin. Nas. Teknol. Informasi, Komun. dan Ind. 11, no. November 2017, pp. 1–11, 2019.
Khatimi, H., & Alkaff, M. (2017). Penerapan support vector regression (svr) untuk peramalan inflasi bulanan nasional. 29–34
Prahutama, A., & Yasin, H. (2015). International Journal of Science and Prediction of Weekly Rainfall in Semarang City Use Support Vector Regression ( SVR ) with Quadratic Loss Function, 9(July), 13–16.
Adiba, S. T., Suroso, A., & Afif, N. C. (2020). The Effect of Celebrity Endorsement on Brand Image in Determining Purchase Intention. Journal of Accounting, Business and Management (JABM), 27(2), 60–73
Dewi, K., Adikara, P. P., & Adinugroho, S. (2018). Prediksi Indeks Harga Konsumen ( IHK ) Kelompok Perumahan , Air , Listrik , Gas Dan Bahan Bakar Menggunakan Metode Support Vector Regression. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 2(10), 3856–3862.
Munawir, “Potensi Tandan Kosong Sawit Untuk Memproduksi Kompos,” J. Manaj. Bisnis Equilib. POINT, vol. 1, pp. 11–16, 2018.
FARUQ, A. (2022). Intelligent Flood Forecasting Model Using Committee Machine Learning For Early Warning System.
Nasir, Muhammad Adib Bin Mohd. Stochastic Dynamic Programming And Machine Learning Under Climate Change For Reservoir And Irrigation Operations. Diss. Universiti Teknologi Malaysia, 2023.
Adiba, S. T., Suroso, A., & Afif, N. C. (2020). The Effect of Celebrity Endorsement on Brand Image in Determining Purchase Intention. Journal of Accounting, Business and Management (JABM), 27(2), 60–73.September, pp. 417–423, 2021.
Hendayanti, N. P. N., Suniantara, I. K. P., & Nurhidayati, M. (2019). Penerapan Support Vector Regression (Svr) Dalam Memprediksi Jumlah Kunjungan Wisatawan Domestik Ke Bali. Jurnal Varian, 3(1), 43–50.
Adyah Widiarni, - (2023) Penerapan Algoritma Support Vector Regression Dalam Memprediksi Produksi Dan Produktivitas Kelapa Sawit. Penerapan Algoritma Regression dalam Memprediksi Produksi
Dindha Amelia, “Statistik Kelapa Sawit Indonesia 2020,” vol. 21, no. 1, pp. 1–9, 2020, [Online].
Mohammad Naufal Hanif (2021) : Analisis Pembagian Hasil Pendapatan Produksi Petani Kelapa Sawit Kebun Kpsr Mangke Jaya Dengan Pt. Ganda Buanindo Di Desa Subarak Kecamatan Gunung Sahilan Kabupaten Kampar
PANGESTU, Resza Adistya (2023)Comparative Analysis of Support Vector Regression and Linear Regression Models to Predict Apple Inc. Share Prices. Indonesian Journal of Artificial Intelligence and Data Mining, 7.1: 148-156.
