[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"detail-sidebar-cat-0-id-113":3,"doc-seo-128269-113":53,"doc-detail-128269-id":128},{"code":4,"msg":5,"data":6},0,"success",[7,13,17,21,25,29,33,37,41,45,49],{"id":8,"doc_module":4,"doc_module_name":9,"category_name":10,"show_sort_weight":11,"slug":12},55,"Document","Agama & Spiritualitas",60,"religion-spirituality",{"id":14,"doc_module":4,"doc_module_name":9,"category_name":15,"show_sort_weight":11,"slug":16},48,"Cerita & Novel","story-novel",{"id":18,"doc_module":4,"doc_module_name":9,"category_name":19,"show_sort_weight":11,"slug":20},56,"Gaya Hidup","lifestyle",{"id":22,"doc_module":4,"doc_module_name":9,"category_name":23,"show_sort_weight":11,"slug":24},51,"Komik","comic",{"id":26,"doc_module":4,"doc_module_name":9,"category_name":27,"show_sort_weight":11,"slug":28},53,"Layanan Kesehatan","healthcare",{"id":30,"doc_module":4,"doc_module_name":9,"category_name":31,"show_sort_weight":11,"slug":32},54,"Penelitian & Laporan","research-report",{"id":34,"doc_module":4,"doc_module_name":9,"category_name":35,"show_sort_weight":11,"slug":36},49,"Sastra","literature",{"id":38,"doc_module":4,"doc_module_name":9,"category_name":39,"show_sort_weight":11,"slug":40},52,"Teknologi","technology",{"id":42,"doc_module":4,"doc_module_name":9,"category_name":43,"show_sort_weight":11,"slug":44},50,"Ujian","exam",{"id":46,"doc_module":4,"doc_module_name":9,"category_name":47,"show_sort_weight":11,"slug":48},57,"Umum","general",{"id":50,"doc_module":4,"doc_module_name":9,"category_name":51,"show_sort_weight":4,"slug":52},181,"Formulir","formulir",{"code":4,"msg":54,"data":55},"ok",{"site_id":56,"language":57,"slug":58,"title":59,"keywords":60,"description":61,"schema_data":62,"social_meta":121,"head_meta":123,"extra_data":125,"updated_unix":127},113,"id","machine-learning-algorithm-comparison-analysis-for-predicting-fruit-production-in-aceh","ANALISIS PERBANDINGAN ALGORITMA MACHINE LEARNING - PADA PREDIKSI PRODUKSI BUAH DI ACEH","","Prediksi produksi buah menjadi faktor kunci untuk mendukung perencanaan dan pengelolaan sektor pertanian. Penelitian ini membandingkan performa Random Forest dan Support Vector Machine (SVM) dalam memprediksi produksi buah di Provinsi Aceh menggunakan data produksi BPS periode 2018–2023. Data mengalami preprocessing berupa penanganan missing values, outliers, dan transformasi variabel kategori. Evaluasi dengan MSE, MAE, dan R² menunjukkan Random Forest lebih akurat. Penambahan fitur eksternal seperti curah hujan, jenis pupuk, dan metode budidaya tidak meningkatkan performa secara signifikan, sehingga direkomendasikan penggunaan Random Forest.",{"@graph":63,"@context":120},[64,81,103],{"@type":65,"itemListElement":66},"BreadcrumbList",[67,72,75,78],{"item":68,"name":69,"@type":70,"position":71},"https://docshare.wps.com","Home","ListItem",1,{"item":73,"name":9,"@type":70,"position":74},"https://docshare.wps.com/id/document/",2,{"item":76,"name":31,"@type":70,"position":77},"https://docshare.wps.com/id/document/penelitian-laporan/",3,{"item":79,"name":59,"@type":70,"position":80},"https://docshare.wps.com/id/document/machine-learning-algorithm-comparison-analysis-for-predicting-fruit-production-in-aceh/128269/",4,{"url":79,"name":59,"@type":82,"image":83,"author":88,"headline":59,"publisher":91,"fileFormat":94,"inLanguage":57,"description":61,"dateModified":95,"datePublished":96,"encodingFormat":94,"isAccessibleForFree":97,"interactionStatistic":98},"DigitalDocument",{"url":84,"@type":85,"width":86,"height":87},"https://docshare.wps.com/thumbnails/machine-learning-algorithm-comparison-analysis-for-predicting-fruit-production-in-aceh/128269.png","ImageObject",300,407,{"name":89,"@type":90},"Seraphina","Person",{"url":68,"name":92,"@type":93},"DocShare","Organization","application/pdf","2026-09-19","2026-08-05",true,{"@type":99,"interactionType":100,"userInteractionCount":102},"InteractionCounter",{"@type":101},"ViewAction",15,{"@type":104,"mainEntity":105},"FAQPage",[106,112,116],{"name":107,"@type":108,"acceptedAnswer":109},"Algoritma apa yang dibandingkan untuk memprediksi produksi buah di Aceh?","Question",{"text":110,"@type":111},"Penelitian membandingkan Random Forest dan Support Vector Machine (SVM) untuk memprediksi produksi buah di Provinsi Aceh.","Answer",{"name":113,"@type":108,"acceptedAnswer":114},"Data apa yang digunakan dalam penelitian ini dan periode waktunya?",{"text":115,"@type":111},"Penelitian menggunakan data produksi dari Badan Pusat Statistik (BPS) untuk periode 2018–2023.",{"name":117,"@type":108,"acceptedAnswer":118},"Bagaimana proses evaluasi model dilakukan dan metrik apa yang digunakan?",{"text":119,"@type":111},"Evaluasi model menggunakan metrik Mean Squared Error (MSE), Mean Absolute Error (MAE), dan R² Score untuk menilai akurasi prediksi.","https://schema.org",{"og:url":79,"og:type":122,"og:title":59,"og:site_name":92,"og:description":61},"article",{"robots":124,"canonical":79},"index,follow",{"doc_id":126,"site_id":56},128269,1785946350,{"code":4,"msg":5,"data":129},{"doc_id":126,"user_id":130,"nickname":89,"user_avatar":131,"doc_module":4,"category_id":30,"category_name":31,"doc_title":59,"doc_description":61,"doc_content":132,"file_id":133,"file_url":134,"file_type":135,"file_size":136,"view_count":102,"is_deleted":4,"is_public":71,"is_downloadable":71,"audit_status":71,"page_count":137,"language":138,"language_code":57,"site_id":56,"html_lang":57,"table_of_contents":139,"faqs":140,"seo_title":141,"seo_description":61,"update_tm":127,"read_time":142},2336475104957,"https://ap-avatar.wpscdn.com/avatar/22000c4c6bd8a5076e1?x-image-process=image/resize,m_fixed,w_180,h_180&k=1787554080175789136","| Jurnal Informatika Teknologi dan Sains (JINTEKS) E-ISSN : 2686-3359\u003Cbr>Submission Mei 26, 2025 | Revised Jun 24, 2025 | Accepted Jun 27, 2025 | Hal. 928-936 Vol. 7; No. 2 Mei 2025 |\n| --- | --- |\n\nANALISIS PERBANDINGAN ALGORITMA MACHINE LEARNING  \nPADA PREDIKSI PRODUKSI BUAH DI ACEH  \nZahra Anggun Rafikoh1*, Sutan Faisal2, Kiki Ahmad Baihaqi3, Hanny Hikmayanti H4  \n1,2,3,4Teknik Informatika, Universitas Buana Perjuangan Karawang  \nemail: [if21.zahrarafikoh@mhs.unpkarawang.ac.id](if21.zahrarafikoh@mhs.unpkarawang.ac.id1)[1](if21.zahrarafikoh@mhs.unpkarawang.ac.id1)*  \nAbstrak: Prediksi produksi buah merupakan aspek penting dalam mendukung perencanaan dan pengelolaan sektor pertanian. Penelitian ini membandingkan performa dua algoritma machine learning, yaitu Random Forest dan Support Vector Machine (SVM), dalam memprediksi produksi buah di Provinsi Aceh menggunakan data produksi dari Badan Pusat Statistik (BPS) periode 2018–2023. Data telah melalui proses preprocessing termasuk penanganan missing values, outliers, serta transformasi variabel kategori. Evaluasi model menggunakan metrik Mean Squared Error (MSE), Mean Absolute Error (MAE), dan R² Score menunjukkan bahwa Random Forest memberikan hasil prediksi yang lebih akurat dibandingkan SVM. Penambahan fitur eksternal seperti curah hujan, jenis pupuk, dan metode budidaya yang disimulasikan tidak memberikan peningkatan signifikan pada performa model. Penelitian ini merekomendasikan penggunaan Random Forest untuk prediksi produksi buah di Aceh dan menyarankan pengumpulan data eksternal yanglebih lengkap untuk meningkatkan akurasi prediksi di masa depan.  \nKata Kunci : Prediksi, Produksi Buah, Random Forest, SVM, Machine Learning, Evaluasi  \nPENDAHULUAN  \nProvinsi Aceh merupakan salah satu wilayah penghasil buah utama di Indonesia dengan berbagai tantangan dalamproduksi buahnya, seperti ketidakteraturan pola produksi akibat dinamika cuaca, keterbatasan konsistensi data historis, variasi kualitas tanah, dan perbedaan teknik budidaya antar wilayah. Pentingnya prediksi produksi buah yang akurat menjadi dasar dalam pengambilan keputusan strategis untuk meningkatkan efisiensi dan produktivitas sektor pertanian. Data dari Badan Pusat Statistik (BPS) mencatat variasi signifikan dalam produksi berbagai jenis buah seperti alpukat, mangga, pisang, dan jeruk dari tahun 2021 hingga 2023, menandakan perlunya analisis data yang lebih mendalam untuk mengidentifikasi pola produksi yang dipengaruhi faktor-faktor tersebut.  \nMetode berbasis teknologi seperti machine learning telah terbukti efektif dalam memprediksi hasil produksi pertanian, dengan algoritma Support Vector Machine (SVM) dan Random Forest sebagai contoh metode yang dapat meningkatkan akurasi prediksi secara signifikan. Kumar et al. (2022) menyatakan bahwa SVM dapat mencapai akurasilebih dari 85% dalam memprediksi hasil panen buah tropis, sementara Li et al. (2021) menunjukkan bahwa Random Forest mampu meningkatkan akurasi prediksi hingga 20% dibandingkan metode tradisional. Oleh karena itu, penggunaankedua algoritma tersebut berpotensi tinggi dalam menganalisis data produksi buah di Aceh.  \nPenelitian ini bertujuan untuk menganalisis dan membandingkan kinerja algoritma Random Forest dan Support Vector Machine dalam memprediksi produksi buah di Provinsi Aceh. Penelitian ini juga bertujuan menentukan algoritmayang paling efektif dan akurat untuk digunakan dalam perencanaan produksi buah berbasis data. Dengan demikian, hasil penelitian ini diharapkan dapat memberikan rekomendasi yang mendukung pengelolaan dan perencanaan produksi buahsecara lebih optimal, serta meningkatkan efisiensi dan produktivitas sektor pertanian di Aceh.  \nTINJAUAN PUSTAKA  \nPenelitian mengenai prediksi hasil pertanian menggunakan pembelajaran mesin (machine learning) telah mengalami perkembangan pesat dalam dekade terakhir. Li et al. [1] menerapkan algoritma Random Forest untuk memprediksi hasil panen gandum di Tiongkok dan mencatat akurasi lebih tinggi dibandi","cbCaihgcDqv085vE","https://ap.wps.com/l/cbCaihgcDqv085vE","pdf",628866,9,"Indonesian","# Pendahuluan\n## Latar belakang dan tujuan penelitian\n# Tinjauan Pustaka\n## Perkembangan machine learning untuk prediksi hasil pertanian\n## Studi terkait dan celah penelitian","[{\"question\":\"Algoritma apa yang dibandingkan untuk memprediksi produksi buah di Aceh?\",\"answer\":\"Penelitian membandingkan Random Forest dan Support Vector Machine (SVM) untuk memprediksi produksi buah di Provinsi Aceh.\"},{\"question\":\"Data apa yang digunakan dalam penelitian ini dan periode waktunya?\",\"answer\":\"Penelitian menggunakan data produksi dari Badan Pusat Statistik (BPS) untuk periode 2018–2023.\"},{\"question\":\"Bagaimana proses evaluasi model dilakukan dan metrik apa yang digunakan?\",\"answer\":\"Evaluasi model menggunakan metrik Mean Squared Error (MSE), Mean Absolute Error (MAE), dan R² Score untuk menilai akurasi prediksi.\"}]","ANALISIS PERBANDINGAN ALGORITMA MACHINE LEARNING - PADA PREDIKSI PRODUKSI BUAH DI ACEH | PDF",14]