Sistem Informasi Geografis Menggunakan Algoritma C4.5 untuk Prediksi Hasil Panen Padi di Kabupaten Simalungun
Abstract
Abstrak:
Kabupaten Simalungun merupakan salah satu daerah penghasil padi utama di Indonesia, yang kadang menghadapi fluktuasi hasil panen. Rendahnya hasil panen padi dapat menurunkan nilai jual dan keuntungan petani, sehingga diperlukan analisis data yang mampu memprediksi hasil panen secara akurat agar lebih efektif dan berkelanjutan. Penelitian ini mengembangkan sistem informasi geografis (SIG) berbasis web untuk memetakan hasil panen padi di Kabupaten Simalungun, menggunakan Algoritma C4.5 sebagai metode prediksi. Data yang diolah mencakup hasil panen padi tahun 2023-2024 dengan 1.000 sampel dan lima atribut utama, seperti luas lahan dan curah hujan, yang menghasilkan tingkat akurasi prediksi sebesar 85%. Sistem ini dirancang menggunakan XAMPP, MySQL, dan Framework Laravel, serta visualisasi peta dilakukan melalui Leaflet.js. Kontribusi utama penelitian ini adalah memberikan alat berbasis SIG yang tidak hanya mempermudah pemetaan hasil panen secara visual, tetapi juga meningkatkan efektivitas pengambilan keputusan Dinas Pertanian, seperti mengidentifikasi kecamatan dengan hasil panen rendah untuk prioritas bantuan dan membantu petani memantau perkembangan hasil panen secara spasial. Dengan prediksi yang lebih akurat, sistem ini berpotensi mendukung peningkatan efisiensi alokasi sumber daya dan kebijakan pertanian berbasis data.
=============================
Abstract:
Simalungun Regency is one of Indonesia's major rice-producing regions, often facing fluctuations in harvest yields. Low rice yields can reduce sales value and farmers' profits, necessitating a data-driven analysis to accurately predict harvests for more effective and sustainable agricultural planning. This study developed a web-based Geographic Information System (GIS) to map rice harvest yields in Simalungun Regency, utilizing the C4.5 algorithm as a prediction method. The processed data included rice harvest results for 2023-2024, consisting of 1,000 samples and five key attributes, such as land size and rainfall, achieving a prediction accuracy rate of 85%. The system was built using XAMPP, MySQL, and the Laravel Framework, with harvest mapping visualized through Leaflet.js. The primary contribution of this study is providing a GIS-based tool that not only simplifies the visual mapping of harvest results but also enhances the effectiveness of decision-making by the Department of Agriculture. This includes identifying sub-districts with low harvest yields for prioritized aid and assisting farmers in monitoring harvest progress spatially. With more accurate predictions, this system has the potential to support efficient resource allocation and data-driven agricultural policies.
Keywords
Full Text:
PDFReferences
[1] P. A. G. Taek, D. Supriadi, and S. M. Taek, “Upaya Pemberdayaan Petani Lahan Kering Untuk Mewujudkan Pertanian Berkelanjutan Dan Ketahanan Pangan,” JISIP (Jurnal Ilmu Sos. dan Pendidikan), vol. 6, no. 1, pp. 2345–2359, Jan. 2022, doi: 10.58258/jisip.v6i1.2829.
[2] R. Rizal and R. Togimin, “Pendampoingan Penyusunan E-RDKK Menggunakan Teknologi Google Form pada Gapoktan ‘Rejo Mulyo’ Desa Rejoagung, Kecamatan Sumberwringin Kabupaten Bondowoso,” Perigel J. Penyul. Masy. Indones., vol. 1, no. 3, pp. 443–448, Sep. 2023, doi: 10.56444/perigel.v2i3.878.
[3] D. P. Lamondjong and M. Hardjianto, “Data Mining untuk Memprediksi Jumlah Penjualan Hasil Pertanian Mengunakan Algoritma Forcasting (Studi Kasus : Dinas Pertanian Kabupaten Banggai),” J. Teknol. Inf., vol. 14, no. 2, pp. 94–102, 2021, doi: https://doi.org/10.35842/jtir.v16i2.405.g351.
[4] W. Fuadi, R. Wandi, and M. W. Pohan, “Aplikasi Geografis Prediksi Hasil Padi Menggunakan Metode Double Moving Average di Kabupaten Aceh Utara,” J. Tek. Inform., vol. 13, no. 1, pp. 50–60, Apr. 2021, doi: 10.29103/techsi.v13i1.2831.
[5] L. N. Rani, “Klasifikasi Nasabah Menggunakan Algoritma C4.5 Sebagai Dasar Pemberian Kredit,” J. Invotek Polbeng, vol. 1, no. 2, pp. 126–132, Nov. 2016, doi: 10.35314/isi.v1i2.131.
[6] T. W. Utami, “Sistem Informasi Geografis Pemetaan Penyebaran Penyakit Berbasis Web Di Pekalongan,” J. Ilm. Sains Teknol. Dan Inf., vol. 1, no. 4, pp. 35–40, Jan. 2023, doi: 10.59024/jiti.v1i4.597.
[7] M. Z. Abdillah, D. A. Nawangnugraeni, A. Hakim, and P. Yuniarto, “Geographic Information System (Gis) for Mapping Greenpark Using Leaflet Js,” J. Tek. Inform. Kaputama, vol. 5, no. 2, pp. 259–266, 2021.
[8] N. V. B. Siahaan, P. Poningsih, D. Suhendro, D. Hartama, and S. Suhada, “Penerapan Data Mining Algoritma C4.5 Terhadap Prediksi Faktor Menurunnya Hasil Panen Padi,” Jurasik (Jurnal Ris. Sist. Inf. dan Tek. Inform., vol. 7, no. 1, p. 27, 2022, doi: 10.30645/jurasik.v7i1.412.
[9] S. Mulyanda, S. Defit, and Sumijan, “Analisis Data Mining Menggunakan Algoritma C4.5 Untuk Prediksi Harga Pasar Mobil Bekas,” J. KomtekInfo, vol. 10, pp. 116–121, 2023, doi: 10.35134/komtekinfo.v10i3.427.
[10] W. Kurniawati, A. S. Fitrani, S. Aji, and S. Suprianto, “Analisis Kehadiran Pemilih di Tempat Pemungutan Suara Pada Pemilihan Presiden dengan Menggunakan Algoritma C4.5 (Studi Kasus di Desa Wonokasian Sidoarjo),” J. Electr. Eng., vol. 1, no. 1, p. 18, 2024, doi: 10.47134/jte.v1i1.2475.
[11] M. Mazwar and Y. Kuleh, “Pengaruh E-WOM dan Kualitas Produk Serta Lokasi Terhadap Keputusan Pembelian,” Ekon. Manajemen, dan Akunt., vol. 25, no. 2, pp. 408–417, 2023.
[12] T. Menggunakan and C. Algoritma, “Data Mining Prediksi Produksi Garam Pada Pertanian,” Oktal, vol. 2, no. 2, pp. 460–471, 2023.
[13] D. M. A. M. Sanjaya, “Penerapan Data Mining untuk Prediksi Mahasiswa Berpotensi Non-Aktif Menggunakan Algoritma C4.5: Studi Kasus STMIK Primakara,” J. Ilm. Ilmu Terap. Univ. Jambi, vol. 6, no. 1, pp. 84–97, 2022, doi: 10.22437/jiituj.v6i1.19600.
[14] T. Walyadi, “Implementasi Algoritma C4.5 Untuk Menentukan Musim Tanam Cabai Merah Di Daerah Magelang,” pp. i–59, 2019.
[15] A. Faidlon et al., “URANUS : Jurnal Ilmiah Teknik Elektro, Sains dan Informatika Filtering Konten Negatif Menggunakan Metode Algoritma C4.5 dan API Bing Penerapan di Desa Kelet,” vol. 2, no. 1, 2024.
[16] P. Potensi, M. Dan, and B. Siswa, “Implementasi algoritma c4.5 pada sistem pakar penentuan potensi minat dan bakat siswa smp muhammadiyah kota pangkalpinang,” 2023.
[17] Y. Noorollahi, A. Ghenaatpisheh Senani, A. Fadaei, M. Simaee, and R. Moltames, “A framework for GIS-based site selection and technical potential evaluation of PV solar farm using Fuzzy-Boolean logic and AHP multi-criteria decision-making approach,” Renew. Energy, vol. 186, no. 1, pp. 89–104, Mar. 2022, doi: 10.1016/j.renene.2021.12.124.
[18] Y. Gao, J. Zhao, and L. Han, “Exploring the spatial heterogeneity of urban heat island effect and its relationship to block morphology with the geographically weighted regression model,” Sustain. Cities Soc., vol. 76, no. 2, pp. 103431–103440, Jan. 2022, doi: 10.1016/j.scs.2021.103431.
[19] A. M. Khan et al., “MaxEnt Modelling and Impact of Climate Change on Habitat Suitability Variations of Economically Important Chilgoza Pine (Pinus gerardiana Wall.) in South Asia,” Forests, vol. 13, no. 5, pp. 715–721, May 2022, doi: 10.3390/f13050715.
[20] W. L. Hakim et al., “Convolutional neural network (CNN) with metaheuristic optimization algorithms for landslide susceptibility mapping in Icheon, South Korea,” J. Environ. Manage., vol. 305, no. 4, pp. 114367–114374, Mar. 2022, doi: 10.1016/j.jenvman.2021.114367Refbacks
- There are currently no refbacks.