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.

	PDF HALAMAN_AWAL.pdf Download (315kB)
	PDF BAB_I.pdf Download (130kB)
	PDF BAB_II.pdf Download (219kB)
	PDF BAB_III.pdf Download (184kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (2MB)
	PDF BAB_V.pdf Download (117kB)
	PDF DAFTAR_PUSTAKA.pdf Download (124kB)
	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