ANALISIS PREDIKSI PRODUKSI PALAWIJA DENGAN MODEL RANDOM FOREST DAN SVR

Pertanian di Indonesia memiliki peran krusial dalam mendukung ketahanan pangan dan ekonomi nasional. Dengan pertumbuhan populasi yang diperkirakan mencapai 330,9 juta jiwa pada tahun 2050, tantangan dalam memenuhi kebutuhan pangan semakin besar. Penelitian ini berfokus pada analisis prediksi produksi palawija menggunakan model machine learning, khususnya Random Forest dan Support Vector Regression (SVR). Melalui metode OSEMN, data palawija Indonesia dari tahun 1993 hingga 2022 dianalisis dengan menggunakan bahasa pemrograman R dan RStudio. Penelitian ini melibatkan pendekatan inovatif dalam optimalisasi hyperparameter model menggunakan Grid Search dan Random Search. Hasil evaluasi menunjukkan bahwa setelah optimalisasi parameter model, optimasi Grid Search cenderung memberikan hasil yang lebih baik dalam membangun model Random Forest dan optimasi Random Search cenderung memberikan hasil yang lebih baik dalam membangun model SVR dalam analisis prediksi palawija. Meskipun kedua model memberikan hasil yang baik, SVR dengan Kernel RBF menunjukkan akurasi yang lebih tinggi dibandingkan model Random Forest. Penelitian ini memberikan panduan berharga untuk perencanaan produksi pertanian dan ketahanan pangan di Indonesia.