Analisis Perbandingan Support Vector Regression dan K-Nearest Neighbor Regression untuk Prediksi Produksi TBS Bulanan
DOI:
https://doi.org/10.30865/json.v7i4.9304Keywords:
K-Nearest Neighbor Regression, Kelapa Sawit, Prediksi Produksi, Support Vector Regression, TBSAbstract
Produksi tandan buah segar (TBS) kelapa sawit berubah setiap bulan karena kondisi tanaman, lingkungan, iklim, dan kegiatan perkebunan lainnya. Perencanaan tenaga kerja, transportasi, pengolahan, dan pencapaian target produksi perusahaan dapat dipengaruhi oleh fluktuasi tersebut. Tujuan dari penelitian ini adalah untuk membandingkan kinerja Support Vector Regression (SVR) dan K-Nearest Neighbor Regression (KNN) algoritma dalam memprediksi produksi TBS bulanan pada CV. Bayu Sukma Jaya. Data penelitian digunakan dari periode tahun awal hingga tahun akhir, dengan variabel prediktor seperti curah hujan, hari hujan, luas panen, umur tanaman, pemupukan, atau variabel lain yang digunakan. Pengumpulan, pembersihan, analisis awal, normalisasi, pembagian data latih dan uji, pembentukan model, pengujian parameter, dan evaluasi kinerja model adalah bagian dari proses penelitian. Untuk mendapatkan konfigurasi terbaik untuk setiap algoritma, optimalisasi parameter dilakukan. Hasil pengujian digunakan untuk mengevaluasi kinerja model SVR/KNN Regression. Dengan nilai MAE sebesar nilai, RMSE sebesar nilai, MAPE sebesar nilai, dan R2 sebesar nilai, nilai kesalahan absolut (MAE) sebesar nilai, dan koefisien determinasi (R2) sebesar nilai. Nilai kesalahan absolut yang lebih rendah dan koefisien determinasi yang lebih tinggi menunjukkan bahwa model tersebut memiliki tingkat kesalahan absolut yang lebih tinggi. Hasil penelitian menunjukkan bahwa algoritma SVR/KNN Regression dapat digunakan sebagai metode untuk memprediksi produksi TBS pada CV. Bayu Sukma Jaya. Hasil prediksi ini dapat membantu perusahaan membuat keputusan tentang perencanaan produksi, kebutuhan tenaga kerja, transportasi hasil panen, dan pengambilan keputusan operasional dengan lebih akurat.
References
[1] K. Badan and P. Statistik, “No Title,” pp. 1–564, 2025.
[2] A. Widiarni, “Penerapan Algoritma Support Vector Regression dalam Memprediksi Produksi dan Produktivitas Kelapa Sawit,” vol. 7, no. April, pp. 864–872, 2023, doi: 10.30865/mib.v7i2.6089.
[3] A. Al Mahmud, Z. Hossan, A. Tiwari, and R. Khatoon, “Reviewing the Integration of RFID and IoT in Supply Chain Management : Enhancing Efficiency and Visibility,” vol. 3576, pp. 409–437, 2025.
[4] K. Neighbors, “Penerapan Data Mining Untuk Klasifikasi Penduduk Miskin Di Kabupaten Labuhanbatu Menggunakan Random Forest Dan,” vol. 6, no. 2, pp. 23–36, 2025, doi: 10.47065/bit.v5i2.1783.
[5] I. Maulana and A. Efendi, “Virtual – Augmented Reality ( VAR ) for Science Learning : Development and Impact on Students ’ HOTS Skills,” vol. 23, no. 1, pp. 129–142, 2025.
[6] P. H. Putra, M. S. Novelan, and M. Rizki, “ANALYSIS K-NEAREST NEIGHBOR METHOD IN CLASSIFICATION OF VEGETABLE QUALITY BASED ON COLOR,” vol. 3, no. 2, pp. 126–132, 2022.
[7] Z. Sitorus, A. Marsya, D. Ramatika, and R. S. Siburian, “Analysis of Online Shopping Addiction Level Using the K-nearest Neighbor Algorithm at SMK Negeri 1 Tanjung Pura,” J. Inf. Technol. Comput. Sci. Electr. Eng., vol. 1, no. 2, pp. 134–138, 2024, doi: 10.61306/jitcse.v1i2.
[8] F. Haplosaprists, “GAMBUT DI LABUHAN BATU SOIL FERTILITY AND PHOTOSYTHESIS RATE OF OIL PALM SHOWING,” vol. 27, no. 2, pp. 127–140, 2019.
[9] D. S. Prasvita, M. M. Santoni, R. Wirawan, and N. Trihastuti, “Klasifikasi pohon kelapa sawit pada data fusi citra lidar dan foto udara menggunakan convolutional neural network,” vol. 06, pp. 406–415, 2021.
[10] A. R. M. Akbar, A. D. Wibowo, and B. H. Asyikin, “Risk Assessment for Long - Term Injury of Oil Palm Harvester,” vol. 14, no. 2, pp. 594–603, 2025.
[11] R. Hasibuan, F. Roosmawati, and T. Z. Aznur, “Analisis Harga Pokok Produksi Tandan Buah Segar ( TBS ) pada Kebun Pengarungan PT . Asam Jawa Kabupaten Labuhanbatu Selatan,” vol. 5, no. April, 2026.
[12] N. W. Wardani, P. Yayasan, and K. Menulis, No Title.
[13] Z. Sitorus, E. Hariyanto, and F. Kurniawan, “Implementasi Machine Learning Pada Sistem Pemetaan Daerah Rawan Banjir Di Desa Pahlawan Kabupaten Batu Bara,” vol. 3, no. 3, pp. 285–290, 2022.
[14] J. M. Polgan, A. Putera, U. Siahaan, M. Iqbal, and M. Syahputri, “Classification Of Pistachio Varieties Using Machine Learning Algorithms,” vol. 14, pp. 1452–1457, 2025.
[15] B. Djehiche and B. Löfdahl, “Quantum Support Vector Regression for Disability Insurance,” 2021.
[16] H. Hissou, S. Benkirane, A. Guezzaz, and M. Azrour, “A Novel Machine Learning Approach for Solar Radiation Estimation,” 2023.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Jurnal Sistem Komputer dan Informatika (JSON)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
This work is licensed under a Creative Commons Attribution 4.0 International License
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under Creative Commons Attribution 4.0 International License that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (Refer to The Effect of Open Access).
