Prediksi Panen Padi Di Madura Dengan Triple Exponential Smoothing (TES) dan Algoritma Genetika
DOI:
https://doi.org/10.70609/jusifor.v4i1.5860Kata Kunci:
Prediksi, Padi, Metode, Algoritma Genetika, Triple Exponential SmoothingAbstrak
Dikenalnya Indonesia sebagai negara agraris karena sebagian besar wilayahnya digunakan untuk budidaya pertanian. Dengan keberhasilan panen padi sebesar 34.6 juta ton, Indonesia mampu menduduki peringkat keempat dunia untuk produksi padi Perannya sebagai sumber utama karbohidrat menjadikan padi banyak dipilih sebagai makanan sehari-hari di dunia, termasuk Indonesia. Khususnya di Madura, seiring bertambahnya jumlah pendudduk setiap tahunnya, kebutuhan pangan ikut bertambah. DI sisi lain, produksi padi yang terjadi di Madura setiap tahunnya mengalami fluktuasi. Oleh karena itu, untuk mengatasi permasalahan tersebut pada penelitian ini memanfaatkan teknologi sebagai upaya membantu petani dan pemerintah dalam menangani permasalahan agar tidak terjadi kekurangan. Penelitian ini dirancang dengan menerapkan metode Triple Exponential Smoothing (TES) yang memiliki tiga parameter (alpha, betha, dan gamma). Pemilihan parameter sangat berpengaruh pada hasil akurasi, sehingga dalam penelitian ini ditambahkan Algoritma Genetika sebagai metode optimasi yang telah terbukti memberikan hasil yang baik pada beberapa penelitian. Algoritma Genetika pada penelitian ini digunakan untuk mengoptimalkan tiga parameter Triple Exponential Smoothing yang diperoleh hasil MAPE 9.74% dengan rasio data pelatihan 90% dan data pengujian 10%.
Referensi
[1] IIP M Aditya, “10 Negara Penghasil Beras Terbesar di Asia,” GoodStats. Accessed: Sep. 06, 2024. [Online]. Available: https://data.goodstats.id/statistic/10-negara-penghasil-beras-terbesar-di-asia-Kbl3y#:~:text=Adapun%20Indonesia%20menjadi%20produsen%20beras,dan%20Sumatra%20Utara%20(5%25).
[2] Badan Pusat Statistik, “Produksi Padi dan Beras Menurut Kabupaten/Kota di Provinsi Jawa Timur, 2021 dan 2022.” Accessed: Sep. 12, 2024. [Online]. Available: https://jatim.bps.go.id/id/statistics-table/1/MjUyMyMx/produksi-padi-dan-berasmenurut-kabupaten-kota-di-provinsi-jawa-timur-2021-dan2022.html
[3] H. W. Herwanto, T. Widiyaningtyas, and P. Indriana, “Penerapan Algoritme Linear Regression untuk Prediksi Hasil Panen Tanaman Padi,” 2019.
[4] I. G. A. B. Pradnyawati and W. Cipta, “Pengaruh Luas Lahan, Modal dan Jumlah Produksi Terhadap Pendapatan Petani Sayur di Kecamatan Baturiti,” Ekuitas: Jurnal Pendidikan Ekonomi, vol. 9, no. 1, p. 93, Jun. 2021, doi: 10.23887/ekuitas.v9i1.27562.
[5] D. Romaita, F. A. Bachtiar, and M. T. Furqon, “Perbandingan Metode Exponential Smoothing Untuk Peramalan Penjualan Produk Olahan Daging Ayam Kampung (Studi Kasus : Ayam Goreng Mama Arka),” 2019. [Online]. Available: http://j-ptiik.ub.ac.id
[6] N. Andriani, S. Wahyuningsih, and M. Siringoringo, “Application of Double Exponential Smoothing Holt and Triple Exponential Smoothing Holt-Winter with Golden Section Optimization to Forecast Export Value of East Borneo Province,” Jurnal Matematika, Statistika dan Komputasi, vol. 18, no. 3, pp. 475–483, May 2022, doi: 10.20956/j.v18i3.17492.
[7] N. T. Surajudeen-Bakinde, F. O. Ehiagwina, A. S. Afolabi, and A. M. Usman, S, vol. 54, no. 6, pp. 1077–1100, Nov. 2022, doi: 10.5614/j.eng.technol.sci.2022.54.6.1.
[8] M. P. F. R. S. L. D. T. B. C.-W. L. B. P. Esmaeel Dodangeh, “Novel hybrid intelligence models for flood-susceptibility prediction: Meta optimization of the GMDH and SVR models with the genetic algorithm and harmony search,” J Hydrol (Amst), vol. 590, no. 125423, Nov. 2020, doi: https://doi.org/10.1016/j.jhydrol.2020.125423.
[9] S. Pratista, A. Nazir, I. Iskandar, E. Budianita, and I. Afrianty, “Perbandingan Teknik Prediksi Pemakaian Obat Menggunakan Algoritma Simple Linear Regression dan Support Vector Regression,” Building of Informatics, Technology and Science (BITS), vol. 5, no. 2, Sep. 2023, doi: 10.47065/bits.v5i2.4260.
[10] V. Fitria and S. Anwar, “PENERAPAN TRIPLE EXPONENTIAL SMOOTHING DALAM MERAMALKAN LAJU INFLASI BULANAN PROVINSI ACEH TAHUN 2019 - 2020,” E-Jurnal Ekonomi dan Bisnis Universitas Udayana, Jan. 2020, doi: 10.24843/EEB.2020.v09.i01.p02.
[11] J. Barnat, O. Přibyl, M. Vild, M. Šmak, A. Rubina, and M. Bajer, “Calibration of models predicting the load-bearing capacity of bonded anchors using a genetic algorithm,” Case Studies in Construction Materials, vol. 20, Jul. 2024, doi: 10.1016/j.cscm.2024.e03252.
[12] R. B. Sharmila, N. R. Velaga, and A. Kumar, “SVM‐based hybrid approach for corridor‐level travel‐time estimation,” IET Intelligent Transport Systems, vol. 13, no. 9, pp. 1429–1439, Sep. 2019, doi: 10.1049/iet-its.2018.5069.
[13] Y. Sari, M. Alkaff, S. Soraya, and D. P. Kartikasari, “OPTIMASI PENJADWALAN MATA KULIAH MENGGUNAKAN METODE ALGORITMA GENETIKA DENGAN TEKNIK TOURNAMENT SELECTION,” Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), vol. 6, no. 1, pp. 85–92, Feb. 2019, doi: 10.25126/jtiik.201961262.
[14] M. Karmelia Fajarlestari and I. Boli Suban, “Kombinasi Crossover dan Mutasi Terbaik pada Algoritma Genetika dalam Penjadwalan Mata Kuliah The Best Combination of Crossover and Mutation in Genetic Algorithms for Course Scheduling,” 20
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Dina Violina, Dinah Nuraini, Devie Rosa Anamisa, Bain Khusnul Khotimah, Achmad Jauhari, Fifin Ayu Mufarroha
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
