A Comparison Between Linear Regression and Neural Network To Predict Tea Yield Prediction

FARIS SATYA WIBISANA, Muhammad Alfian Amrizal, B.Eng., M.I.S., Ph.D.;I Gede Mujiyatna, S.Kom., M.Kom.;

2022 | Skripsi | S1 ILMU KOMPUTER

Prediksi hasil teh adalah teknik untuk memprediksi produksi teh, yang penting untuk mendukung proses pengambilan keputusan tingkat makro dan tingkat mikro di suatu negara. Dengan integrasi algoritma machine learning pada prediksi hasil teh, diharapkan dapat mencapai prediksi yang lebih akurat dan bermanfaat bagi semua pihak. Banyak model machine learning yang dapat digunakan untuk membuat model prediksi hasil panen, dengan kompleksitas yang berbeda untuk setiap model. Model yang dipilih untuk penelitian ini adalah Linear Regression yang mewakili model statistik klasik, Multi-Layer Perceptron, yang mewakili model jaringan saraf tiruan sederhana, dan Long Short-Term Memory, yang mewakili jaringan saraf yang lebih kompleks. Hasil penelitian menunjukkan bahwa Multi-Layer Perceptron memiliki kinerja terbaik dibandingkan dengan yang lain, diikuti oleh Regresi Linier. Multi-layer Perceptron mengungguli Linear Regression sebesar ~18% dan ~40% dibandingkan dengan Long Short-Term Memory dalam Mean Squared Error. Namun, model Linear Regression masih yang tercepat dibandingkan dua lainnya. Memori Jangka Pendek Panjang, meskipun berkinerja buruk dibandingkan dengan dua lainnya, adalah yang paling stabil ketika berbicara tentang lonjakan data yang tiba-tiba. Ini menekankan potensi yang dimiliki jaringan saraf dalam prediksi hasil panen, yang, jika disetel dengan benar, akan mengungguli model statistik klasik.

Tea yield prediction is a technique to predict tea production, essential to support macro-level and micro-level decision-making processes in a country. With the integration of machine learning algorithms to tea yield prediction, it is expected that a more accurate prediction can be achieved and benefit all parties. Many machine learning models may be utilized to create a crop yield prediction model, with different complexity for each model. The models that are selected for this research are Linear Regression which represents the classical statistical model, Multi-Layer Perceptron, which represents a simple artificial neural network model, and Long Short-Term Memory, which represents a more complex neural network. The result shows that Multi-Layer Perceptron has the best performance compared to the other, followed by Linear Regression. Multi-Layer Perceptron outperforms Linear Regression by ~18% and ~40% compared to Long Short-Term Memory in Mean Squared Error. However, the Linear Regression model is still the fastest compared to the other two. Long Short-Term Memory, even though it underperformed compared to the other two, is the most stable when talking about the sudden spikes in the data. This emphasizes the potential that neural networks have in crop yield prediction, which, if tuned correctly, will outperform the classical statistical model.

Kata Kunci : Long Short Term Memory, Multi-Layer Perceptron, Linear Regression, Time Series, Tea Yield Prediction