Implementasi Algoritme C4.5 untuk Prediksi Penanaman Cabai Merah

Abstract

Abstrak Tanaman cabai menjadi tanaman yang paling banyak ditanam di Indonesia, karena tanaman ini dapat berbuah dan tumbuh di dataran tinggi maupun di dataran rendah. Setiap tahunnya permintaan pasar akan cabai terus meningkat, bahkan setiap tahunnya harga cabai cenderung meningkat yang di akibatkan pasokan cabai berkurang dan permintaan pasar kurang terpenuhi. Kegagalan panen yang dialami para petani cabai menyebabkan pertumbuhan inflasi di tahun 2020 sebanyak 0,31% disumbang oleh naiknya harga di sektor pangan, termasuk di dalamnya cabai rawit dan cabai merah. Fluktuasi harga cabai ini sangat dipengaruhi cuaca, panen raya, kebijakan perdagangan dan momentum yang mengiringi. Sesuai dengan latar belakang, tujuan dari penelitian ini untuk memprediksi penanaman cabai menggunakan algoritme C4.5. pertama proses pengumpulan data cuaca dan harga dilakukan oleh peneliti yang diambil dari DISPERINDAG, BMKG dan data harga cabai di pasaran untuk dijadikan dataset, dataset dikumpulkan dilakukan preprosessing untuk menghilangkan missing value, outliers data dan juga imbalance data, lalu setelah itu dilanjutkan dengan tahap pembuatan model, dari model tersebut dapat memprediksi penanaman cabai. Hasil prediksi dengan menggunakan rule dari pohon keputusan yang di dapatkan mempunyai tingkat akurasi sebesar 97,8% berdasarkan perhitungan dari prediksi menggunakan data validasi sebanyak 95 data. Abstract Chili has been the most widely grown plant in Indonesia because it can bear fruit and grow in the highlands and the lowlands. Every year the market demand for chili continues to increase, even the annual price of chili tends to increase as a result of reduced chili supply and less fulfilled market demand. Besides, the crop failure experienced by chili farmers cause inflation growth in 2020 as much as 0.31%, resulting from rising prices in the food sector, including the price of cayenne pepper and red chili. The fluctuations in chili prices are strongly influenced by weather, harvest season, trade policies and the accompanying momentum. According to the background, the purpose of this study is to predict chili planting using the C4.5 algorithm. First, the researchers collect weather and price data taken from DISPERINDAG, BMKG, use chili price data on the market as a dataset to be later preprocessed to eliminate missing values, data outliers and imbalance data and then make a model that can predict chili planting. The prediction results using the rule from the decision tree have an accuracy rate of 97.8% based on the calculation of the prediction using validation data as much as 95 data