Prediksi Produktivitas Padi Berdasarkan Luas Panen dan Produksi padi Menggunakan Metode Regresi Linear Berganda
DOI:
https://doi.org/10.30812/corisindo.v1.5266Keywords:
produktivitas padi, regresi linear berganda, luas panen, produksi padi, prediksi pertanianAbstract
Fluktuasi produktivitas padi di Nusa Tenggara Barat selama tahun 2019 hingga 2023 terjadi meskipun luas panen relatif konsisten, yang menimbulkan kesulitan dalam perencanaan produksi dan ketahanan pangan di wilayah tersebut. Untuk menghadapi keadaan ini, sebuah model prediktif dikembangkan yang bertujuan untuk mengidentifikasi pengaruh simultan dari luas panen dan volume produksi terhadap produktivitas padi. Proses pemodelan dilakukan dengan menggunakan pendekatan regresi linear berganda berdasarkan data sekunder tahunan yang mencakup variabel luas panen, produksi, dan produktivitas. Hasil dari analisis menunjukkan bahwa kedua variabel independen, yaitu luas panen dan volume produksi, memiliki pengaruh yang signifikan terhadap produktivitas padi. Model yang dirancang ini menunjukkan tingkat akurasi yang baik, yang terlihat dari nilai koefisien determinasi yang tinggi. Temuan ini menunjukkan bahwa regresi linear berganda dapat berfungsi sebagai alat analitis awal dalam merumuskan kebijakan pertanian yang berbasis pada data. Peluang untuk pengembangan lebih lanjut sangat terbuka dengan penambahan variabel lain untuk meningkatkan ketepatan prediksi di masa yang akan datang.
References
[1] D. Setiadi, Sasmita, and M. Yolanda, “Penerapan Algoritma Regresi Linier Berganda Untuk Memprediksi Hasil panen Padi Di Kota Pagar Alam,” Pagar Alam, Apr. 2024. doi: pp.438-447.
[2] E. A. Jiya, U. Illiyasu, and M. Akinyemi, “Rice Yield Forecasting: A Comparative Analysis of Multiple Machine Learning Algorithms,” Journal of Information Systems and Informatics, vol. 5, no. 2, pp. 785–799, Jun. 2023, doi: 10.51519/journalisi.v5i2.506.
[3] D. Nuraini et al., “Prediksi Hasil Panen Padi dengan Metode Multiple Linear Regression dan Particle Swarm Optimization untuk Meningkatkan Produksi Padi di Madura,” vol. 4, no. 1, pp. 1–8, 2025, doi: 10.70609/jusifor.v4i1.5857.
[4] S. Aprizkiyandari and T. Palupi, “Rice production forecasting model in West Kalimantan with factors are rainfall and harvest area,” in IOP Conference Series: Earth and Environmental Science, Institute of Physics, 2023. doi: 10.1088/1755-1315/1177/1/012015.
[5] J. A. Ingio, A. S. Nsang, and A. Iorliam, “Optimizing Rice Production Forecasting Through Integrating Multiple Linear Regression with Recursive Feature Elimination,” Journal of Future Artificial Intelligence and Technologies, vol. 1, no. 2, pp. 96–108, Aug. 2024, doi: 10.62411/faith.2024-17.
[6] A. Prasetyo and J. Teknologi Informasi dan Komputer Politeknik Negeri Lhokseumawe, “Prediksi Produksi Kelapa Sawit Menggunakan Metode Regresi Linier Berganda,” Multimedia & Jaringan, vol. 6, no. 2, 2021.
[7] T. N. Padilah and R. I. Adam, “Analisis Regresi Linier Berganda Dalam Estimasi Produktivitas Tanaman Padi Di Kabupaten Karawang,” FIBONACCI: Jurnal Pendidikan Matematika dan Matematika, vol. 5, no. 2, p. 117, Dec. 2019, doi: 10.24853/fbc.5.2.117-128.
[8] C. P. Dhakal, “Multiple Regression Model Fitted for Rice Production Forecasting in Nepal: A Case of Time Series Data,” Nepalese Journal of Statistics, vol. 2, pp. 89–98, Sep. 2018, doi: 10.3126/njs.v2i0.21157.
[9] O. Simon Hardianto Raharusun et al., “Sistem Prediksi Produksi Beras Menggunakan Multiple Linear Regression untuk Optimalisasi Ketahanan Pangan di Kabupaten Minahasa,” JOINTER-JOURNAL OF INFORMATICS ENGINEERING, vol. 05, no. 02.
[10] M. F. Badaruzaman and O. Chee Tiong, “Crop Yield Prediction with Multiple Linear Regression in Malaysia,” 2022. doi: Proc.Sci.Math.9:211-221.
[11] E. Triyanto, H. Sismoro, and A. D. Laksito, “IMPLEMENTASI ALGORITMA REGRESI LINEAR BERGANDA UNTUK MEMPREDIKSI PRODUKSI PADI DI KABUPATEN BANTUL,” Rabit : Jurnal Teknologi dan Sistem Informasi Univrab, vol. 4, no. 2, pp. 66–75, Jul. 2019, doi: 10.36341/rabit.v4i2.666.
[12] A. Pasaribu and M. R. Syahputra, “Comparison of Fuzzy Logic and Multiple Linear Regression in Forecasting Rice Production in Toba District,” Jurnal Matematika dan Pendidikan Matematika, vol. 5, pp. 121–127, Dec. 2022.
[13] G. Erman Agusta, A. Dewanto, and N. Astriawati, “International Journal of Technology and Education Research Multiple Linear Regression Model for Analyzing the Determinants of Rice Production in Sumatra,” vol. 03, no. 55284, 2025, [Online]. Available: https://e-journal.citakonsultindo.or.id/index.php/IJETER
[14] R. Prasad, P. Krishnamurthy, R. M. Kumar, and B. C. Viraktamath, “Multiple linear regression models for prediction of rice production and productivity based on rainfall.” [Online]. Available: http://www.indiastat.com
[15] S. Pazhanivelan et al., “Spatial Rice Yield Estimation Using Multiple Linear Regression Analysis, Semi-Physical Approach and Assimilating SAR Satellite Derived Products with DSSAT Crop Simulation Model,” Agronomy, vol. 12, no. 9, Sep. 2022, doi: 10.3390/agronomy12092008.
