Implementasi Ensemble Stacking Machine Learning untuk Prediksi Hasil Panen Padi Tingkat Provinsi di Indonesia Menggunakan Data Multi-Source Citra Satelit dan Iklim

Putra Wardana, Habil (2026) Implementasi Ensemble Stacking Machine Learning untuk Prediksi Hasil Panen Padi Tingkat Provinsi di Indonesia Menggunakan Data Multi-Source Citra Satelit dan Iklim. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_I.pdf Download (232kB)
	PDF BAB_II.pdf Download (392kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (597kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (261kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (232kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (1MB)
	Archive (ZIP) 00000073909_2521_LembarPengesahan.pdf Restricted to Registered users only Download (66kB)

Abstract

Fluktuasi produktivitas padi antarprovinsi menyulitkan perencanaan pangan karena survei lapangan membutuhkan waktu dan cakupan yang luas. Penelitian ini mengembangkan model ensemble stacking untuk memprediksi produktivitas padi tingkat provinsi menggunakan data multi-sumber citra satelit dan iklim. Empat base learner, yaitu XGBoost, LightGBM, CatBoost, dan Random Forest, digabungkan oleh ElasticNetCV. Citra tidak diberikan langsung kepada model. Sebanyak 21 fitur biofisik diekstraksi dari delapan koleksi Google Earth Engine untuk 33 provinsi selama 2018­2025. Setelah integrasi dan penyaringan data, model utama menggunakan 260 observasi dan 20 fitur aktif. Evaluasi dilakukan dengan temporal holdout, yaitu data 2018­2023 sebagai data latih dan 2024­2025 sebagai data uji. Konfigurasi utama menghasilkan R2 = 0,8910, RMSE = 0,2734 ton/ha, dan WAPE = 4,80% pada 66 observasi uji. Nilai ini berada pada rentang numerik yang sebanding dengan penelitian prediksi produktivitas padi multi-sumber di Tiongkok dan prediksi hasil gandum di Amerika Serikat, meskipun perbandingan tersebut bersifat indikatif karena perbedaan komoditas, wilayah, dan metode antarpenelitian. Analisis SHAP pada Random Forest menunjukkan NDVI, EVI, curah hujan CHIRPS, dan variabel termal ERA5-Land sebagai fitur berkontribusi tinggi. Hasil tersebut merupakan atribusi model, bukan hubungan kausal. Artefak eksperimen disajikan melalui aplikasi Streamlit lokal lima tab sebagai media demonstrasi dan eksplorasi, bukan sistem prediksi waktu nyata.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Putra Wardana, Habil (00000073909)
Contributors:	Kurniawan, Vincentius (0308079501)
Keywords:	ensemble stacking, Google Earth Engine, machine learning, prediksi produktivitas padi, SHAP
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	28 Jul 2026 12:12
URI:	https://kc.umn.ac.id/id/eprint/48402

Actions (login required)

View Item