Wirakusuma, Kadek Ardy (2026) OPTIMASI EXTREME GRADIENT BOOSTING DENGAN GENETIC ALGORITHM UNTUK PREDIKSI PRODUKSI DAN PRODUKTIVITAS PADI DI KABUPATEN BULELENG. Undergraduate thesis, Universitas Pendidikan Ganesha.
![[img]](http://repo.undiksha.ac.id/style/images/fileicons/text.png) |
Text (COVER)
2215101012-COVER.pdf Download (467kB) |
|
Text (ABSTRAK)
2215101012-ABSTRAK.pdf Download (225kB) |
|
Text (BAB 1 PENDAHULUAN)
2215101012-BAB 1 PENDAHULUAN.pdf Download (158kB) |
|
Text (BAB 2 KAJIAN TEORI)
2215101012-BAB 2 KAJIAN TEORI.pdf Restricted to Repository staff only Download (358kB) | Request a copy |
|
Text (BAB 3 METODELOGI PENELITIAN)
2215101012-BAB 3 METODELOGI PENELITIAN.pdf Restricted to Repository staff only Download (506kB) | Request a copy |
|
Text (BAB 4 HASIL DAN PEMBAHASAN)
2215101012-BAB 4 HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (1MB) | Request a copy |
|
Text (BAB 5 PENUTUP)
2215101012-BAB 5 PENUTUP.pdf Restricted to Repository staff only Download (134kB) | Request a copy |
|
Text (DAFTAR PUSTAKA)
2215101012-DAFTAR PUSTAKA.pdf Download (149kB) |
|
Text (LAMPIRAN)
2215101012-LAMPIRAN.pdf Download (194kB) |
Abstract
Produksi padi di Kabupaten Buleleng menunjukkan tren peningkatan dalam beberapa tahun terakhir, namun tidak diikuti oleh peningkatan produktivitas. Ketidakseimbangan ini berpotensi memengaruhi ketahanan pangan daerah, terutama di tengah laju pertumbuhan penduduk yang relatif tinggi. Penelitian ini bertujuan untuk membangun dan mengoptimalkan model prediksi produksi serta produktivitas padi menggunakan pendekatan machine learning berbasis Extreme Gradient Boosting (XGBoost) yang dikombinasikan dengan Genetic Algorithm (GA) sebagai metode optimasi. Data yang digunakan merupakan data bulanan produksi padi, luas panen, dan produktivitas padi periode 2018–2024 yang diperoleh dari Badan Pusat Statistik (BPS) Kabupaten Buleleng. Model hasil optimasi dibandingkan dengan model XGBoost tanpa optimasi (standar) menggunakan metrik RMSE, MAE, MFE, dan MAPE. Hasil penelitian menunjukkan bahwa penerapan Genetic Algorithm mampu meningkatkan performa prediksi secara konsisten. Pada prediksi produksi padi, model GA-XGBoost menurunkan nilai MAPE dari 28,48% menjadi 25,49%, sedangkan pada prediksi produktivitas padi terjadi penurunan MAPE dari 2,52% menjadi 2,31%. Meskipun waktu komputasi meningkat akibat konfigurasi hiperparameter yang berbeda, model GA-XGBoost memberikan stabilitas prediksi yang lebih baik dibandingkan model standar.
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Uncontrolled Keywords: | Machine Learning, Genetic Algorithm, XGBoost, Produksi Padi, Produktivitas Padi |
| Subjects: | H Social Sciences > HA Statistics S Agriculture > S Agriculture (General) T Technology > T Technology (General) |
| Divisions: | Fakultas Teknik dan Kejuruan > Jurusan Teknik Informatika > Program Studi Ilmu Komputer (S1) |
| Depositing User: | Kadek Ardy Wirakusuma |
| Date Deposited: | 19 Jan 2026 02:09 |
| Last Modified: | 19 Jan 2026 02:09 |
| URI: | http://repo.undiksha.ac.id/id/eprint/27582 |
Actions (login required)
 |
View Item |