PREDIKSI PRODUKTIVITAS TANAMAN CABAI MERAH (Capsicum annuum L.) MENGGUNAKAN LEAST ABSOLUTE SHRINKAGE AND SELECTION OPERATOR (LASSO) DAN SUPPORT VECTOR REGRESSION (SVR) BERDASARKAN DATA CURAH HUJAN DI KECAMATAN NGEMPLAK, SLEMAN, DAERAH ISTIMEWA YOGYAKARTA

NOVIAN RIZKY SAPUTRA, Bayu Dwi Apri Nugroho, S.T.P., M.Agr., Ph.D., IPU. ASEAN Eng. ; Dr. nat. techn. Rizki Maftukhah, S.T.P., M.Sc.

2025 | Skripsi | TEKNIK PERTANIAN

Penelitian ini bertujuan untuk memprediksi produktivitas tanaman cabai merah (Capsicium annuum L.) di Kecamatan Ngemplak berdasarkan data curah hujan menggunakan metode Least Absolute Shrinkage and Selection Operator (LASSO) dan Support Vevctor Regression (SVR). Data yang digunakan merupakan data sekunder berupa data curah hujan historis yang diperoleh dari BMKG Sleman dan data produktivitas tanaman cabai merah yang diperoleh dari Dinas Pertanian Sleman. Model prediksi yang digunakan diimplementasikan dengan nilai evaluasi metrik R² dan juga RMSE sebagai indikator performa model prediksi. Hasil penelitian ini menunjukkan bahwa kedua model memiliki kinerja prediksi moderate (sedang) dengan R² > 0,50 dalam memprediksi produktivitas tanaman cabai merah berdasarkan data curah hujan. Setelah melalui tahap pemodelan dan optimisasi baik secara rentang waktu dan juga parameter yang digunakan, metode LASSO memiliki tingkat keakurasian yang lebih tinggi dibandingkan metode SVR dengan nilai R² yang diperoleh pada LASSO rentang waktu 19 tahun dengan alpha 0,08 sebesar 0,74 dan RMSE sebesar 16,05. Oleh karena itu, metode LASSO rentang waktu 19 tahun dengan alpha 0,08 merupakan metode yang cocok untuk digunakan pada penelitian ini. Penelitian ini memberikan wawasan terhadap pengaplikasian metode machine learning yang merupakan teknik pendekatan dari Artificial Intelligence (AI) dan dapat dijadikan pengambilan keputusan dalam suatu masalah di sektor pertanian

This research aims to predict the productivity of red chili plants (Capsicium annuum L.) in Ngemplak District based on rainfall data using the Least Absolute Shrinkage and Selection Operator (LASSO) and Support Vector Regression (SVR) methods. The data used is secondary data in the form of historical rainfall data obtained from BMKG Sleman and red chili plant productivity data obtained from the Sleman Agriculture Office. The prediction model used is implemented with the R² metric evaluation and RMSE also as an indicator of the performance of the prediction model. The results of this study indicate that both models have moderate prediction performance with R² > 0,50 in predicting the productivity of red chili plants based on rainfall data. After going through the modeling and optimization stages both in terms of time range and parameters used, the LASSO method has a higher level of accuracy compared to the SVR method with the R² value obtained by LASSO for the 19-year time range with alpha 0,08 of 0,74 and RMSE of 16,05. Therefore, the LASSO method with a 19-year time range with alpha 0.08 is a suitable method to be used in this study. This research provides insight into the application of machine learning methods which is an approach technique from Artificial Intelligence (AI) and can be used as decision making in a problem in the agricultural sector.

Kata Kunci : Metode Prediksi, Produktivitas, Curah Hujan, LASSO, SVR