Publisher

ITKITK

Journal Equiva JournalEquiva Journal Abstract

Penyesuaian masyarakat kota Blitar terhadap perkembangan teknologi 4.0 di Indonesia dengan kecepatan dan ketepatan dalam penguatan persaingan bisnis, khususnya di bidang sentra peternakan Indonesia merupakan sebuah kewajiban. Ketepatan dan kecepatan informasi mengenai saldo produksi hasil ternak mempengaruhi optimalisasi kualitas dan kuantitas sektor Usaha Mikro Kecil Menengah (UMKM) peternakan di Kota Blitar. Penelitian menggunakan metode regresi linear berganda dalam memprediksi saldo produksi hasil ternak. Tahapan penelitian yang dilakukan adalah mengumpulkan data hasil ternak, melakukan pra-pemrosesan data, memproses prediksi, membangun model, dan evaluasi model menggunakan akurasi dengan Mean Absolute Error (MAE) dan R2-Score. Data yang digunakan mempunyai 14 atribut (kolom). Menggunakan korelasi, dipilih 3 atribut yang akan digunakan dalam membangun model yaitu komoditas, nilai produksi, dan biaya produksi (Rp). Seluruh data dibagi menjadi dua yaitu data training dan data testing dengan proporsi berturut-turut sebesar 75%:25%, 80%:20%, dan 85%:15%. Model terbaik dihasilkan oleh pembagian data training dan data testing sebesar 85%:15%. Model yang dihasilkan adalah 𝑌̂ = −9810.74 22.58𝑋1 𝑋2 − 0.99𝑋3 dengan skor MAE sebesar 9232.04 dan skor R2-Score sebesar 1.

Conclusion

Tiga atribut yang paling berpengaruh dalam membangun model prediksi saldo produksi hasil ternak adalah komoditas, nilai produksi, dan biaya produksi (Rp), berdasarkan analisis korelasi.Model regresi linier berganda dengan pembagian data training dan testing sebesar 85%.15% menghasilkan akurasi terbaik, ditunjukkan oleh nilai MAE sebesar 9232.Hasil prediksi model sangat akurat karena data prediksi sesuai dengan data aktual, sehingga model layak digunakan untuk membantu pengambilan keputusan di sektor peternakan Kabupaten Blitar.

Future Research

Pertama, perlu dilakukan penelitian lanjutan untuk menguji akurasi model prediksi jika menggunakan metode machine learning lain seperti regresi polinomial, random forest, atau neural network, sehingga dapat diketahui apakah model regresi linier berganda tetap yang paling optimal atau tidak. Kedua, penting untuk mengembangkan model prediksi yang mempertimbangkan faktor eksternal seperti harga pakan, cuaca, dan musim, karena variabel-variabel ini dapat memengaruhi produksi dan biaya peternakan secara langsung namun belum termasuk dalam model saat ini. Ketiga, perlu dikaji kemungkinan penerapan model berbasis web atau mobile yang real-time dan dapat diakses oleh peternak secara langsung, agar prediksi saldo produksi bisa digunakan secara praktis untuk perencanaan usaha harian. Penelitian lebih lanjut juga bisa mengevaluasi efektivitas sistem prediksi berbasis dashboard interaktif yang terintegrasi dengan data dinamis dari dinas peternakan setempat. Selain itu, model bisa diperluas untuk memprediksi jenis komoditas tertentu saja secara spesifik, seperti telur atau susu, agar prediksi lebih akurat dan spesifik. Integrasi data historis jangka panjang lebih dari 8 tahun juga dapat dieksplorasi untuk melihat tren musiman dan siklus ekonomi yang memengaruhi produksi. Studi validasi model di kabupaten lain dengan karakteristik peternakan yang mirip juga patut dilakukan untuk menguji generalisasi model. Dengan adanya sistem prediksi yang lebih komprehensif, peternak dapat mengambil keputusan lebih baik terkait waktu panen, distribusi, dan penjualan. Akhirnya, pengukuran dampak sosial ekonomi dari penggunaan model prediksi terhadap peningkatan pendapatan UMKM perlu dilakukan dalam bentuk studi longitudinal. Semua pengembangan ini akan memperkuat transformasi digital di sektor peternakan rakyat di era industri 4.0.

Metadata

File size	560.72 KB
Pages	8
DMCA	Report