5. Abstract
Abstrak— Industri pakan merupakan konsumen terbesar jagung di Indonesia, keberadaanya diperlukan untuk
mendukung pertumbuhan industri peternakan yang harus bersaing dengan produk peternakan impor. Produksi
jagung Indonesia dari tahun ke tahun mengalami peningkatan yang disertai dengan peningkatan konsumsi
jagung terutama untuk industri. Dengan demikian, prediksi produksi jagung perlu dilakukan dengan akurat,
sehingga dapat memudahkan industri pengolahan pangan dalam proses pengambilan keputusan terkait
kebutuhan jagung. Metode estimasi seperti Support Vector Regression (SVR) juga merupakan salah satu metode
estimasi yang handal, namun belum pernah diuji coba untuk prediksi produksi jagung. Pada prinsipnya SVR
merupakan pengembangan dari ANN yang tidak dapat menjamin dihasilkannya sebuah hyperplane yang paling
optimum. SVR dapat berkeja dengan baik pada dataset yang berdimensi tinggi dan tidak perlu melatih seluruh
data. SVR memiliki kelebihan dalam hal generalisasi sehingga mampu melakukan pembelajaran terhadap data
baru yang tidak termasuk dalam proses pelatihannya, mampu melakukan pembelajaran dengan baik pada
dataset yang jumlah datanya lebih besar dari pada dimensinya (curse of dimensionality), dan tidak bersifat black
6. PENDAHULU
AN
Sektor pertanian memiliki peran sentral dalam upaya
pemerintah untuk mengurangi kemiskinan dan
mencapai pertumbuhan ekonomi yang stabil di
Indonesia. Jagung, sebagai tanaman pangan utama
setelah padi, memiliki peran strategis dalam
mendukung kehidupan masyarakat. Tradisionalnya,
jagung tumbuh di lahan kering pada musim hujan dan
jarang ditanam di lahan sawah dengan pengairan
terbatas.
7. Industri pakan menjadi konsumen terbesar jagung di Indonesia, krusial dalam mendukung pertumbuhan industri
peternakan dan bersaing dengan produk impor. Peningkatan produksi jagung disertai dengan lonjakan konsumsi,
khususnya oleh industri. Seiring berkembangnya industri pengolahan pangan, permintaan jagung terus meningkat. Oleh
karena itu, prediksi produksi jagung yang akurat menjadi penting untuk memfasilitasi pengambilan keputusan terkait
kebutuhan jagung dalam industri pengolahan pangan.
Ketidaklancaran analisis prediksi hasil tanaman jagung di Indonesia disebabkan oleh kekurangan sistem terkomputerisasi.
Dalam dunia Teknologi Informasi (TI), teknik data mining, termasuk Autoregressive Integrated Moving Average (ARIMA) Box-
Jenkins, umumnya digunakan untuk mengatasi tantangan tersebut. Meskipun ARIMA kerap diterapkan dalam pemodelan
time series untuk peramalan produksi jagung, kendala muncul ketika data yang diperoleh relatif kecil, sulit memenuhi
asumsi-asumsi analisis statistik klasik, dan inferensi statistik terhadap parameter model tidak dapat dilakukan secara
optimal. Oleh karena itu, diperlukan pendekatan nonparametrik seperti metode Bootstrap. Metode Bootstrap, berbasis
komputer, membantu mengestimasi berbagai kuantitas statistik dan distribusi suatu statistik tanpa bergantung pada
asumsi-asumsi klasik, meningkatkan akurasi analisis peramalan produksi jagung.
Estimasi produksi jagung telah diuji menggunakan metode seperti Linear Regresi dan Artificial Neural Network (ANN)
dengan variabel input seperti luas lahan dan curah hujan. Penelitian ini juga mencakup estimasi luas lahan jagung dan
produktivitas tebu dengan menggunakan variabel input berupa curah hujan, area tambah tanam, dan luas lahan. Hasil
penelitian menunjukkan bahwa penerapan Linear Regresi tidak mengungguli kinerja Artificial Neural Network (ANN). Selain
8. II. STUDI
PUSTAKA
Jagung memiliki peran krusial sebagai salah satu tanaman pangan utama yang menghasilkan karbohidrat
penting di dunia, bersaing dengan gandum dan padi. Saat ini, jagung juga menjadi komponen vital dalam pakan
ternak. Selain itu, jagung digunakan sebagai sumber minyak pangan dan bahan dasar tepung maizena. Berbagai
produk turunan dari jagung menjadi bahan baku untuk industri farmasi, kosmetika, dan kimia.
Data Mining merupakan proses yang memanfaatkan teknik statistik, matematika, kecerdasan buatan,
danpembelajaran mesin untuk mengekstrak dan mengidentifikasi informasi berharga serta pengetahuan terkait
daridatabase besar. Istilah "data mining" mencerminkan inti dari suatu disiplin ilmu yang fokus pada pencarian,
penggalian, atau penambangan pengetahuan dari data atau informasi yang tersedia. Seringkali disebut sebagai
Knowledge Discovery in Database (KDD), data mining melibatkan pengumpulan dan penggunaan data historis
untuk menemukan pola, keteraturan, atau hubungan dalam volume besar data. (Mujib Ridwan, dkk. 2013).
Dalam machine learning, Support Vector Machine (SVM) adalah model supervised learning yang digunakan untuk
analisis data, pattern recognition, dan dapat digunakan untuk klasifikasi serta regresi [22]. Dalam konteks regresi,
SVM berkembang menjadi Support Vector Regression (SVR) [15]. Vapnik, bersama Boser & Guyon,
memperkenalkan SVM pertama kali pada tahun 1992, menggabungkan konsep-konsep unggulan seperti margin
9. III. METODE
Metode penelitian yang digunakan adalah studi kasus.
Jenis penelitian ini adalah penelitian terapan. Dipandang
dari data yang diolah, penelitian ini merupakan penelitian
kuantitatif. Objek penelitian ini adalah hasil produksi
tanaman jagung di Indonesia menggunakan teknik
dokumentasi, yaitu dengan
mengunduh data publik produksi jagung di Indonesia.
10. IV. HASIL DAN
PEMBAHASAN
1. Tampilan Halaman Home sistem Prediksi Produksi Jagung
menggunakan metode Support Vector Regression (SVR)
Gambar 1. Halaman ini muncul saat sistem baru pertama kali
dijalankan dan berisi penjelasan mengenai produksi jagung,
data mining, serta algoritma Support Vector Regression.
2. Tampilan Halaman Data Jagung
(Gambar 2) dapat diakses melalui menu Data Jagung. Pada
halaman ini, pengguna dapat memasukkan data produksi
jagung, termasuk tahun, luas lahan panen (dalam satuan
ha), dan data produksi jagung pada tahun tersebut. Selain
itu, pengguna dapat melihat tabel produksi jagung
berdasarkan tahun, mengedit data produksi jagung, dan
menghapus data produksi jagung.
Pembahasan
sistem
11. 3. Tampilan Halaman Hasil Prediksi
(Gambar 3) akan muncul setelah pengguna
memasukkan data baru berupa tahun dan luas
lahan panen, seperti yang terlihat pada Gambar
5.7. Halaman ini menampilkan hasil prediksi
jumlah produksi jagung dalam satuan ton
setelah proses prediksi selesai.
4. Tampilan Halaman Hasil MAPE
(Gambar 4) menampilkan hasil Mean Absolute
Percentage Error (MAPE) dan tingkat akurasi
dalam bentuk persentase. Hal ini memberikan
informasi mengenai seberapa akurat prediksi
12. V. KESIMPULAN
13,623%.
1. Hasil penelitian menunjukkan bahwa penerapan Algoritma Support Vector
Regression dalam memprediksi hasil tanaman jagung di Indonesia memberikan
tingkat akurasi yang baik, meskipun tingkat error MAPE masih sebesar 13,623%.
2. Kesimpulan ini memberikan gambaran bahwa metode Support Vector
Regression dapat menjadi alternatif yang efektif dalam melakukan prediksi
produksi jagung, namun perlu diingat bahwa hasil ini tetap dapat ditingkatkan
dengan mempertimbangkan faktor-faktor lain yang memengaruhi produksi
jagung.
14. Abstract
The researcher is planning to implement an effective agriculture monitoring
system aimed at increasing harvest yield. The effort involves planning and
constructing a system that benefits the community by understanding local
conditions, selecting suitable plant types for the environment, and providing
various information. This AI implementation incorporates technologies like IoT
and utilizes a Farming System Analysis matrix with variables related to soil,
plants, animals, tools, labor, capital, and overall agricultural efforts. Given the
current challenges in the agriculture sector, such as difficulties in choosing
suitable land, the proposed system aims to address these issues. The study
suggests that the application of artificial intelligence can streamline farming
processes, offer valuable information from planting to harvesting, and reduce
failures in the harvest. Additionally, it can contribute to fulfilling farmers' food
needs and facilitating market access for their produce.
15. PENDAHULU
AN
Sektor pertanian di Indonesia memegang peranan penting dalam
perekonomian negara, menduduki posisi pertama setelah industri
pengolahan (Burhan, 2018). Dampak positifnya mencakup
peningkatan reputasi Indonesia, khususnya dalam konteks agraris,
yang dapat memberikan kontribusi signifikan untuk memperbaiki
citra negara.
Penelitian ini bertujuan untuk merancang sistem pemantau yang
dapat membantu masyarakat dalam meningkatkan efektivitas
perawatan dan penanaman, serta mengatasi permasalahan dan
kekurangan dalam pertanian. Seiring dengan perkembangan
teknologi, pemanfaatan teknologi memberikan dampak positif pada
pertanian di Indonesia. Selain itu, biaya operasional para petani
semakin terjangkau, sementara hasil produksi meningkat.
Rancangan dan pembangunan sistem pemantau pertanian ini juga
memberikan informasi tentang jenis tumbuhan yang sesuai dengan
kondisi lingkungan setempat, kondisi lahan, serta sistem otomatis
untuk pengaturan suhu, penyiraman, dan berbagai kegiatan
pertanian menggunakan teknologi Internet of Things (IoT) (Setiadi &
16. III.
METODOLOGI
Penelitian mengenai implementasi kecerdasan buatan ini
menggunakan metode deskriptif, sementara untuk
mendapatkan sampel data yang diteliti, digunakan metode
survei langsung dalam pengumpulan data. Proses dalam
penelitian ini dimodelkan dengan kumpulan use case dan
aktor, serta hubungan yang dijelaskan dalam diagram. Use
case tersebut disertai dengan penjelasan dan uraian yang
mendetail mengenai masing-masing use case terkait.
Setelah melakukan observasi pembuatan sistem pemantau
pertanian (E-Tani), diperlukan beberapa perangkat keras,
seperti sensor suhu dan kelembaban, dan perangkat lunak
berupa aplikasi seluler atau situs web (mobile apps atau WEB)
untuk menghubungkan sistem dengan petani. E-Tani sendiri
merupakan sistem yang berbasis teknologi Internet of Things
(IoT) (Nasution, Rizal, Setiawan, & Hasan, 2020). Penelitian ini
juga menggunakan Farming System Analysis (FSA), yang
merupakan matriks variabel di bidang pertanian yang
berkaitan erat, seperti tanah, tanaman, hewan, alat, tenaga
17. Adapun gambaran use case pada sistem
informasi pertanian berbasis komputer (e-Tani)
seperti terlihat pada Gambar 1.
Berdasarkan hasil observasi, pembuatan sistem E-Tani
membutuhkan perangkat keras, termasuk sensor kelembaban,
sensor suhu, sensor kandungan air, kipas, pompa air, dan
modul control system. Selain itu, diperlukan perangkat keras
berupa Aplikasi Mobile atau Mobile Apps serta Web untuk
interaksi antara petani dan sistem. Sistem E-Tani, yang
merupakan e-farming berbasis IoT, dirancang untuk mengelola
lahan pertanian berdasarkan jenis dan kondisi tanaman, serta
melakukan pengiriman parameter dari lahan tanam. Sistem ini
secara otomatis mengatur kondisi lingkungan, seperti
pengaturan penyiraman tanaman dan pengaturan suhu.
Diagram blok sistem E-Tani dapat dilihat pada Gambar 2.
18. IV. HASIL DAN
PEMBAHASAN
Perancangan sistem pemantau E-Tani memberikan manfaat
besar bagi para petani, memungkinkan mereka untuk memantau
lahan pertanian secara langsung melalui sistem yang ada.
Sistem ini dilengkapi dengan fitur-fitur penting seperti sensor
yang berfungsi sebagai indikator pengambilan data yang
nantinya diolah oleh perangkat lunak di website. Software
tersebut berupa aplikasi website dengan tujuan mempermudah
para petani dalam kegiatan pertanian. Selain itu, software ini
bertujuan memberikan informasi terkait kondisi suhu,
kelembaban udara, kondisi tanah, pencatatan tanggal panen,
jenis tanaman yang dipanen, dan informasi mengenai
penyiraman dan pemupukan. Semua informasi tersebut menjadi
krusial bagi petani dalam mengelola pertanian mereka.
19. Data-data di atas merupakan data-data yang
sangat dibutuhkan oleh petani, data-data di atas
juga didapatkan secara real time,dan bisa berubah
sewaktu-waktu, tergantung saat pengecekan.
Berikut list data yang berisikan data-data
mengenai informasi-informasi untuk membantu
petani dalam hal bertani.
Berikut adalah daftar data suhu, kelembapan udara, dan kondisi kelembaban tanah
untuk Desa Papandayan pada tanggal dan waktu yang tertera:
1. Desa Papandayan, 24 derajat Celcius, k40%, Tanah Lembah, 08-09-2019 11.59
2. Desa Papandayan, 24 derajat Celcius, k40%, Tanah Lembah, 10-09-2019 11.59
3. Desa Papandayan, 24 derajat Celcius, k40%, Tanah Lembah, 11-09-2019 11.59
4. Desa Papandayan, 24 derajat Celcius, k40%, Tanah Lembah, 12-09-2019 11.59
5. Desa Papandayan, 24 derajat Celcius, k40%, Tanah Lembah, 13-09-2019 11.59
6. Desa Papandayan, 24 derajat Celcius, k40%, Tanah Lembah, 14-09-2019 11.59
7. Desa Papandayan, 24 derajat Celcius, k40%, Tanah Basah, 17-09-2019 11.59
8. Desa Papandayan, 24 derajat Celcius, k40%, Tanah Lembah, 18-09-2019 11.59
9. Desa Papandayan, 24 derajat Celcius, k40%, Tanah Lembah, 19-09-2019 11.59
10. Desa Papandayan, 24 derajat Celcius, k40%, Tanah Basah, 20-09-2019 11.59
Data ini memberikan informasi mengenai suhu udara, kelembapan udara, dan kondisi
kelembaban tanah di Desa Papandayan pada waktu-waktu yang berbeda. Data real-
20. V. KESIMPULAN
Sistem E-Tani memiliki keunggulan dalam menghasilkan data pengamatan suhu dan
kelembaban udara yang akurat dan real-time. Kelebihan utama dari sistem ini
adalah kemampuannya untuk memantau data tanpa ada batasan jarak dan waktu.
Hal ini dicapai melalui penggunaan sistem pemantau berbasis teknologi Internet of
Things (IoT) dan Farming System Analysis (FSA). FSA merupakan variabel matriks di
bidang pertanian yang saling berhubungan, termasuk tanah, tanaman, hewan, alat,
tenaga kerja, modal, dan usaha pertanian, menciptakan ketergantungan yang saling
mendukung dalam mengoptimalkan hasil pertanian.
Perancangan sistem pemantau E-Tani membawa manfaat signifikan bagi para
petani dengan membantu meningkatkan efektivitas perawatan dan penanaman,
yang pada akhirnya dapat berkontribusi pada peningkatan hasil panen. Dengan
memberikan akses real-time terhadap data seperti suhu dan kelembaban udara,
kondisi tanah, dan faktor-faktor pertanian lainnya, E-Tani memungkinkan para petani
untuk mengambil keputusan yang lebih tepat dan merencanakan kegiatan
21. VI. SARAN
Saran-saran untuk pengembangan aplikasi eTani setelah menyelesaikan penelitian ini mencakup:
1. **Eksplorasi Metode Lain:**
- Melakukan pengembangan aplikasi e-Tani dengan mengeksplorasi metode lain dalam penelitian
untuk mendapatkan metode yang lebih optimal.
2. **Dukungan untuk Sistem Operasi Lain:**
- Memperluas aplikasi e-Tani agar mendukung sistem operasi selain Android pada perangkat
mobile, untuk meningkatkan ketersediaan dan aksesibilitasnya.
3. **Mode Offline:**
- Mengembangkan aplikasi e-Tani agar dapat berjalan dan dioperasikan secara offline oleh
petani, mempertimbangkan kemungkinan keterbatasan konektivitas di beberapa daerah pertanian.
4. **Peningkatan Keamanan Data:**
- Menambahkan lapisan keamanan data dengan mengimplementasikan enkripsi dan dekripsi,
memastikan keamanan data petani, lahan, tanah, dan alat yang digunakan.
Pengembangan berkelanjutan ini dapat meningkatkan fungsionalitas, kinerja, dan keamanan
aplikasi eTani, sehingga dapat memberikan manfaat yang lebih besar kepada para petani dan
22. Sekian Dari saya Jika ada salah kata
atau hasil ppt saya yang kurang baik,
mohon dikoreksi dan kasih
bimbingannya.sekian terima kasih
by. Ihsanudin
