Prediksi Jumlah Tanam dan Distribusi Penjualan Tanaman Selada Menggunakan Machine Learning
DOI:
https://doi.org/10.47111/jointecoms.v6i3.28439Keywords:
Machine Learning, Selada Hidroponik, Random Forest, SVM, Voting Regressor, LIMEAbstract
Perkembangan teknologi machine learning mendorong adanya kebutuhan akan sistem pendukung keputusan yang akurat dalam sektor pertanian modern, khususnya pada unit usaha hidroponik Tunas Muda. Selama ini, pengelolaan stok dan penentuan jumlah tanam pada usaha tersebut masih dilakukan secara konvensional berdasarkan insting pemilik, sehingga berisiko menimbulkan kerugian akibat ketidakakuratan alokasi hasil panen. Penelitian ini bertujuan untuk mengembangkan aplikasi berbasis web menggunakan framework Streamlit yang mampu memprediksi jumlah tanam optimal serta strategi distribusi ke sembilan titik lokasi.
Metode penelitian yang digunakan adalah eksperimen kuantitatif dengan membandingkan performa algoritma Random Forest, Support Vector Machine (SVM), dan Ensemble Voting Regressor. Penelitian ini juga menerapkan teknik LIME (Local Interpretable Model-agnostic Explanations) untuk memberikan transparansi dan penjelasan logis terhadap variabel yang memengaruhi hasil prediksi. Hasil pengujian menunjukkan bahwa algoritma SVM paling akurat dalam memprediksi jumlah tanam, sedangkan Voting Regressor memberikan hasil paling stabil untuk prediksi distribusi penjualan.
Downloads
References
[1] Chicco, D., Warrens, M. J., & Jurman, G. (2021). The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation. PeerJ Computer Science, 7, 1–24. https://doi.org/10.7717/PEERJ-CS.623.
[2] Priyambodo, L., Fuadi, H. L., Nazhifah, N., Huzaimi, I., Prawira, A. B., Saputri, T. E., Afandi, M. A., Nugraha, E. S., Wicaksono, A., & Goran, P. K. (2022). Klasifikasi Kematangan Tanaman Hidroponik Pakcoy Menggunakan Metode SVM. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 6(1), 153–160.
[3] Rafikoh, Z. A., Faisal, S., Baihaqi, K. A., & Hikmayanti, H. (2025). Analisis perbandingan algoritma machine learning pada prediksi produksi buah di Aceh. Jurnal Informatika Teknologi dan Sains (JINTEKS), 7(2), 928–936.
[4] Barus, E. S., & Darmanto, D. (2024). IMPLEMENTASI METODE RANDOM FOREST UNTUK MEMPREDIKSI PENJUALAN PRODUK. Jurnal Tekinkom (Teknik Informasi Dan Komputer), 7(2), 591–600.
[5] Sari, A., Arifin, M., & Darmanto, E. (2025). Prediksi kebutuhan stok barang menggunakan algoritma Random Forest untuk meningkatkan efisiensi penjualan. JOISIE (Journal Of Information Systems And Informatics Engineering), 9(2), 339–351. DOI: https://doi.org/10.35145/joisie.v9i2.5154
[6] Manurung, D., Zealtiel, B., & Lubis, A. H. (2025). Prediksi produksi tanaman padi di Indonesia dengan menggunakan algoritma Random Forest Regressor. Journal of Computing and Informatics Research, 4(3). DOI: https://doi.org/10.47065/comforch.v4i3.2125
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Journal of Information Technology and Computer Science

This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.












