PREDIKSI HASIL PANEN KELAPA SAWIT MENGGUNAKAN ALGORITMA RANDOM FOREST PADA CV.USAHA KARYA SERASI.
DOI:
https://doi.org/10.35145/jmapteksi.v8i2.6048Keywords:
Efesiensi Biaya, Kelapa sawit, Klasifikasi, Prediksi Hasil Panen, Random ForestAbstract
Kelapa sawit merupakan komoditas perkebunan yang berperan penting dalam sektor pertanian, khususnya di Provinsi Riau yang memiliki luas perkebunan terbesar di Indonesia. Namun, hasil panen kelapa sawit cenderung tidak stabil karena dipengaruhi oleh beberapa faktor, seperti luas lahan, usia tanaman, pemupukan, dan jenis bibit. Penelitian ini bertujuan untuk memprediksi hasil panen menggunakan algoritma Random Forest dengan 732 data dari perusahaan CV. Usaha Karya Serasi. Tahapan penelitian meliputi pengumpulan data, pra-pemrosesan, dan pemodelan menggunakan Python. Evaluasi model dilakukan dengan pembagian data latih dan uji sebesar 80:20. Hasil penelitian menunjukkan bahwa model memiliki kinerja cukup baik dengan akurasi 76%, presisi 84%, recall 73%, dan F1-score 78%. Prediksi menunjukkan produksi tahun berikutnya berada pada kategori tinggi dengan rata-rata 28 ton/ha/tahun atau sekitar 3 ton/ha/bulan. Faktor yang paling berpengaruh adalah luas lahan (41%), diikuti usia tanaman (37%), jenis bibit (12%), dan pemupukan (0,09%). Hasil prediksi ini diharapkan dapat mendukung pengambilan keputusan serta efisiensi biaya produksi, seperti biaya pupuk, tenaga kerja, dan transportasi hasil panen.
Downloads
References
[1] V. Nuralaeyda and L. Bachtiar, “Algoritma K-Medoids Untuk Prediksi Hasil Produksi Buah Kelapa Sawit Berdasarkan Curah Hujan,” J. Inform. dan Teknol. Komput. ( J-Icom), vol. 5, no. 1, pp. 29–35, 2024, doi: 10.55377/j-icom.v5i1.8102.
[2] L. Ramahdani, L. Arifah, S. Dwi, and R. Yufi, “Pertumbuhan Ekonomi Provinsi Riau,” vol. 4, pp. 52–61, 2024.
[3] N. Chaira, “Analisis Efisiensi Teknis Penggunaan Faktor Produksi Pada Usahatani Kelapa Sawit Rakyat Di Kecamatan Kumpeh Ulu Kabupaten Muaro Jambi Nabila Chaira 1 , Dompak MT Napitupulu 2 , dan Riri Oktari Ulma 2 1,” vol. 5, no. 1, pp. 15–29, 2022.
[4] N. Maulida, “Analisis efisiensi teknis dan ekonomi penggunaan faktor-faktor produksi usaha perkebunan kelapa sawit rakyat di kab. kotawaringin barat,” no. 2, pp. 115–122, 2022.
[5] S. P. Collins et al., “Logistic Regression dan Random Forest,” pp. 167–186, 2021.
[6] E. E. Lorencislubis, A. Priansyah, R. W. N. Yolanda, and T. Meutia, “Penerapan Data Mining untuk memprediksi Harga Bahan Pangan di Indonesia Menggunakan Algoritma K-Nearest Neighbor,” vol. 4, pp. 223–235, 2023.
[7] A. Ardhi Baskara, N. Maharani Piranti, and M. Fahrury Romdendine, “Framework Data Mining: Sebuah Survei,” J. Mhs. Tek. Inform., vol. 9, no. 3, pp. 4886–4895, 2025, doi: 10.36040/jati.v9i3.13803.
[8] P. Chyan et al., Pengantar Machine Learning, vol. 1. 2024. [Online]. Available: http://jurnal.mifandimandiri.com/index.php/penerbitmmd/article/view/38
[9] Nur Wahida Zam, “Nur Wahida Zam,” vol. 11, no. 1, pp. 62–76, 2025.
[10] A. Dika, M. Saputra, and H. Firmansyah, “Implementasi Algoritma Decision Tree untuk Memprediksi Kualitas Udara dan Polusi dengan RapidMiner,” 2025.
[11] S. Adi and A. Wintarti, “Komparasi Metode Support Vector Machine (Svm), K-Nearest Neighbors (Knn), Dan Random Forest (Rf) Untuk Prediksi Penyakit Gagal Jantung,” MATHunesa J. Ilm. Mat., vol. 10, no. 2, pp. 258–268, 2022, doi: 10.26740/mathunesa.v10n2.p258-268.
[12] F. Muna et al., “Sistem Administrasi Perpustakaan Desa Kaliputu Berbasis Web,” vol. 7, no. 2, pp. 1395–1402, 2023.
[13] E. Rahmadani, “Sistem Kerja Survei Kepuasan Masyarakat Kantor Camat Tanjung Tiram Kabupaten Batu Bara,” 2025.
