PENINGKATAN PRESISI DUGAAN BERAT GABAH MELALUI PROSES SELEKSI PEUBAH DALAM PEMBELAJARAN MESIN STATISTIKA

Abstract

Pandemi COVID-19 berpotensi menyebabkan turunnya tingkat respon beberapa survei yang dilakukan oleh lembaga penyedia statistik resmi di berbagai negara termasuk salah satunya Survei Ubinan oleh Badan Pusat Statistik Indonesia. Pengukuran berat gabah dari Survei Ubinan pada masa pandemi tidak selalu berhasil dilakukan sehingga terjadi nonrespon. Dalam penelitian ini, dicari solusi baru untuk mengatasi masalah nonrespon yaitu dengan menduga data nonrespon berat gabah berdasarkan beberapa peubah yang diperoleh dari hasil wawancara dengan petani setelah kebijakan pembatasan sosial berakhir. Dalam penelitian dicoba berbagai metode seleksi peubah yaitu Stepwise, LASSO, Elastic Net, Adaptive LASSO, dan Relaxed LASSO guna menemukan model terbaik dalam pendugaan berat gabah berdasarkan data Survei Ubinan tahun 2019 di Kalimatan Tengah. Gugus data dibagi menjadi dua, yaitu data latih dan data uji. Pengambilan 75 persen data latih dilakukan secara acak dan diulang sebanyak 100 kali dan setiap kali divalidasi menggunakan data uji. Selanjutnya peubah yang terseleksi digunakan dalam model Quantile Regression Forest (QRF). Hasilnya menunjukkan bahwa Adaptive-QRF memberikan kinerja terbaik dengan nilai RMSE tekecil.  Peubah terpilih yang berpengaruh nyata terhadap berat gabah hasil penyeleksian Adaptive LASSO adalah varietas benih, cara penanaman (monokultur atau tumpangsari), sistem penanaman (jajar legowo atau bukan), terkena serangan hama atau tidak, lokasi penanaman, dan bulan panen.

Kata Kunci: Adaptive LASSO, Produktivitas Padi, Survei Ubinan, Quantile Regression Forest.