Perbandingan Model Kecerdasan Buatan Berbasis Regresi dan Decision Tree untuk Peramalan Cuaca Kawasan Pertanaman Salak

Harry Setiawan, Michael (2025) Perbandingan Model Kecerdasan Buatan Berbasis Regresi dan Decision Tree untuk Peramalan Cuaca Kawasan Pertanaman Salak. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

[img] PDF
HALAMAN_AWAL.pdf

Download (315kB)
[img] PDF
BAB_I.pdf

Download (130kB)
[img] PDF
BAB_II.pdf

Download (219kB)
[img] PDF
BAB_III.pdf

Download (184kB)
[img] PDF
BAB_IV.pdf
Restricted to Registered users only

Download (2MB)
[img] PDF
BAB_V.pdf

Download (117kB)
[img] PDF
DAFTAR_PUSTAKA.pdf

Download (124kB)
[img] PDF
LAMPIRAN.pdf
Restricted to Registered users only

Download (906kB)

Abstract

Sektor hortikultura, khususnya budidaya salak di Indonesia, menghadapi permasalahan serius akibat serangan hama. Salah satu kelompok tani yang terkena dampak adalah Paguyuban Mitra Turindo. Kemunculan hama ini sangat dipengaruhi oleh kondisi cuaca, yang saat ini diprediksi oleh petani menggunakan metode penentuan musim. Namun, metode ini dinilai subjektif karena hanya mengandalkan pola musim tanpa data cuaca yang terukur. Untuk membantu petani dalam melakukan prediksi cuaca secara objektif, dikembangkan beberapa model kecerdasan buatan untuk menemukan model dengan performa terbaik. Ada tiga model yang akan dibandingkan, yaitu ARIMA, LightGBM dan XGBoost. Performa model akan diuji menggunakan metrik pengujian RMSE dan MAPE untuk melihat kemampuan tiap model dalam melakukan prediksi hingga tujuh hari kedepan. Dari pengujian, XGBoost merupakan model paling optimal untuk memprediksi kelembapan dengan RMSE sebesar 4.48, sedangkan model ARIMA paling optimal untuk memprediksi temperatur dengan RMSE sebesar 1.67 dan intensitas cahaya sebesar 3975 dan curah hujan sebesar 1.38. Pengujian memperlihatkan performa model ARIMA dan XGBoost, dapat disimpulkan kedua model tersebut dapat diutilisasikan untuk membantu petani memprediksi kondisi cuaca disekitar kebun salak.

Item Type: Thesis (Bachelor Thesis)
Keywords: hama, penentuan musim, ARIMA, LightGBM, XGBoost
Subjects: ?? TK7885-7895 ??
Divisions: Faculty of Engineering & Informatics > Computer Engineering
SWORD Depositor: Administrator UMN Library
Depositing User: Administrator UMN Library
Date Deposited: 05 Jul 2025 11:31
Last Modified: 05 Jul 2025 11:31
URI: https://kc.umn.ac.id/id/eprint/37817

Actions (login required)

View Item View Item