PREDIKSI HASIL PANEN PADI MENGGUNAKAN ARTIFICIAL NEURAL NETWORK(ANN)
DOI:
https://doi.org/10.37253/joint.v6i3.11508Keywords:
pertanian, padi, prediksi hasil panen, Artificial Neural Network (ANN), ketahanan panganAbstract
Pertanian merupakan sektor penting dalam pembangunan ekonomi Indonesia terutama di wilayah provinsi riau kabupaten rokan hulu, terutama dalam penyediaan bahan pangan utama seperti padi. Namun, produktivitas hasil panen padi sering mengalami fluktuasi akibat faktor-faktor lingkungan seperti curah hujan, suhu, kelembapan udara, pH tanah, dan penggunaan pupuk. Penelitian ini bertujuan untuk melakukan prediksi hasil panen padi menggunakan metode Artificial Neural Network (ANN) berbasis data simulasi yang mewakili kondisi pertanian di Indonesia. Dataset yang digunakan terdiri dari tujuh variabel input yaitu curah hujan, suhu, kelembapan, luas lahan, pH tanah, intensitas cahaya, dan penggunaan pupuk, serta satu variabel output yaitu hasil panen padi dalam ton per hektar. Model ANN dibangun menggunakan arsitektur 7-16-8-1 dengan fungsi aktivasi ReLU dan linear, serta dioptimalkan menggunakan algoritma Adam. Proses pelatihan dilakukan sebanyak 100 epoch dengan rasio data latih 80% dan data uji 20%. Hasil pengujian menunjukkan bahwa model ANN mampu menurunkan nilai loss secara signifikan dan mencapai akurasi prediksi di atas 90%. Dengan demikian, metode ANN terbukti efektif dalam memprediksi hasil panen padi secara lebih akurat dan dapat dijadikan acuan untuk mendukung pengambilan keputusan di bidang pertanian berbasis data, khususnya dalam upaya mendukung ketahanan pangan nasional
Downloads
References
H. Putra and N. Ulfa Walmi, “Application of Rice Production Prediction Using Artificial Neural Network Backpropagation Algorithm,” J. Nas. Teknol. dan Sist. Inf., vol. 6, no. 2, pp. 100–107, 2020.
F. Hidayah, S. Santosa, and R. E. Putri, “Model Prediksi Hasil Panen Berdasarkan Pengukuran Non-Destruktif Nilai Klorofil Tanaman Padi Rice Yield Prediction Model Based on Nondestructive Measurements of Rice Chlorophyll Values Paddy Leaf,” vol. 39, no. 4, pp. 289–297, 2019.
Setiawan Cahyono and Muhammad Imron Rosadi, “Penerapan Artificial Neural Network untuk Prediksi Produksi Padi di Sumatera,” J. Inform. Polinema, vol. 11, no. 4, pp. 487–494, 2025, doi: 10.33795/jip.v11i4.7727.
V. No, O. Hal, R. Charles, I. Lassut, Y. Oslan, and A. Wibowo, “Program Bantu Perkiraan Hasil Panen Tanaman Jagung Berbasis Web Studi Kasus : Kelompok Tani Mutiara Desa Maunggal Karya,” vol. 6, no. 4, pp. 609–620, 2024.
J. I. Matematika, K. Jenis, P. Pada, and D. Tanaman, “MATH unesa,” vol. 09, no. 02, pp. 344–350, 2021.
A. Wihardjaka, A. Pramono, and M. T. Sutriadi, “Peningkatan Produktivitas Padi Sawah Tadah Hujan Melalui Penerapan Teknologi Adaptif Dampak Perubahan Iklim Improving Productivity of Rainfed Lowland Rice Through Applying Adaptive Technology on Climate Change Impact,” J. Sumberd. Lahan, vol. 14, no. 1, p. 25, 2020.
Q. A. Fiddina, W. H. Pramujati, and N. L. Azizah, “Pelatihan Peningkatan Literasi Data Melalui Visualisasi Data Menggunakan Microsoft Excel Dan Google Colab DI Jawa Tengah,” vol. 6, no. 1, pp. 131–140, 2025, doi: 10.30812/adma.v6i1.5099.
T. Padi, “INTI NUSA MANDIRI,” vol. 20, no. 1, pp. 92–104, 2025.
S. P. Collins et al., “No Title 済無No Title No Title No Title,” pp. 167–186, 2021.
A. N. Network and J. S. Tiruan, “Journal of Comprehensive Science p-ISSN : x e-ISSN : x Vol . x . No . x , x x PREDIKSI HASIL PANEN PADI MENGGUNAKAN ARTIFICIAL NEURAL NETWORK ( ANN )
.png){kind=small}
