Implementasi Exponential Smoothing untuk Forecasting Cuaca Awal dalam Mendukung Pengambilan Keputusan awal tanam pangan

Dwi Nafis, Dwi Nafis Mahardika (2022) Implementasi Exponential Smoothing untuk Forecasting Cuaca Awal dalam Mendukung Pengambilan Keputusan awal tanam pangan. [Experiment] (Unpublished)

	Text (Ringkasan) Ringkasan.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (274kB)
	Text (Bab 1 Pendahuluan) Bab 1 Pendahuluan.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (929kB)
	Text (Daftar Pustaka) Daftar Pustaka.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (152kB)
	Text (Laporan Lengkap) Laporan Lengkap.pdf Restricted to Registered users only Download (3MB) | Request a copy

Abstract

Ketahanan pangan menjadi isu mendesak seiring pertumbuhan populasi dunia dan perubahan iklim yang membuat pola cuaca semakin sulit diprediksi. Indonesia, sebagai negara agraris dengan sektor pertanian yang menyumbang sekitar 14% PDB nasional, turut merasakan dampak ini, termasuk di wilayah Yogyakarta yang bergantung pada sektor pertanian padi di kawasan Sleman dan Bantul. Dalam konteks tersebut, penulis melaksanakan Praktik Kerja Lapang (PKL) di PT Global Data Inspirasi (Datains), anak perusahaan PT Gamatechno Indonesia yang berlokasi di Yogyakarta dan berfokus pada pengolahan Big Data serta kecerdasan buatan. Kegiatan PKL berlangsung selama Agustus-Desember 2024 secara hybrid, dengan metode observasi langsung pada divisi Machine Learning, wawancara dengan pembimbing lapang, pelaporan kegiatan harian, dan dokumentasi melalui log book. Selama PKL, penulis bersama tim mengembangkan sistem forecasting cuaca berbasis Exponential Smoothing yang diimplementasikan pada platform website Smart-Agri, ditujukan untuk membantu petani dan Kementerian Pertanian mengakses informasi cuaca yang akurat sebagai dasar keputusan awal tanam. Proses pengembangan diawali dengan pengumpulan dan preprocessing data, meliputi pembersihan, normalisasi, dan ekstraksi fitur, dilanjutkan dengan pelatihan model melalui pembagian data latih dan data uji serta validasi silang untuk optimisasi parameter. Performa model dievaluasi menggunakan metrik RMSE, MAE, dan R², dan hasil pengujian menunjukkan model mampu menangkap pola tren cuaca dengan tingkat error yang minimal. Sistem ini juga dilengkapi modul visualisasi interaktif berupa peta prediksi wilayah, grafik perbandingan data aktual dan hasil prediksi, serta halaman detail analisis error dan confidence interval yang dapat diunduh penggunanya. Kegiatan PKL ini memberikan pengalaman praktis bagi penulis dalam menerapkan teknik machine learning untuk analisis data dan prediksi di dunia kerja nyata, sekaligus menghasilkan sistem forecasting cuaca yang siap mendukung pengambilan keputusan awal tanam petani di Yogyakarta dan sekitarnya. Untuk pengembangan selanjutnya, disarankan adanya kolaborasi yang lebih erat antara tim data science dan pengembang perangkat lunak, penerapan teknik yang lebih kompleks seperti deep learning atau ensemble learning untuk meningkatkan akurasi, serta penambahan fitur interaktif pada antarmuka agar pengguna lebih mudah menginterpretasikan hasil prediksi.

Available Versions of this Item

• Implementasi Exponential Smoothing untuk Forecasting Cuaca Awal dalam Mendukung Pengambilan Keputusan awal tanam pangan. (deposited 31 Aug 2026 07:04) [Currently Displayed]

Actions (login required)

View Item