Evaluasi dan Perbandingan Kinerja Model Regresi Machine Learning dalam Prediksi Produksi Panen Ikan Lele Tahunan di Indonesia

Abstract

Produksi ikan lele merupakan salah satu komoditas penting dalam sektor perikanan budidaya air tawar di Indonesia. Namun, produksi ikan lele tahunan masih mengalami fluktuasi serta perbedaan yang cukup signifikan antar provinsi, sehingga perencanaan produksi dan distribusi sering kali belum optimal. Penelitian ini bertujuan untuk mengevaluasi dan membandingkan kinerja beberapa model regresi berbasis machine learning dalam memprediksi produksi panen ikan lele tahunan pada tingkat provinsi di Indonesia. Data yang digunakan merupakan data sekunder produksi ikan lele periode 2017–2024 yang bersumber dari Badan Pusat Statistik dan Kementerian Kelautan dan Perikanan Republik Indonesia. Metode penelitian meliputi preprocessing data, pembentukan fitur keterkaitan waktu berupa fitur lag dan fitur perubahan produksi, serta pembagian data menggunakan pendekatan time-aware split untuk menjaga urutan temporal data. Model yang digunakan dalam penelitian ini meliputi Ridge Regression, Random Forest Regressor, Histogram-based Gradient Boosting Regressor, dan Light Gradient Boosting Machine (LightGBM). Evaluasi kinerja model dilakukan menggunakan metrik RMSE, MAE, MAPE, dan koefisien determinasi (R²). Hasil penelitian menunjukkan bahwa Ridge Regression memberikan performa paling stabil dan optimal dalam memprediksi produksi ikan lele tahunan pada tingkat provinsi.
Kata kunci — machine learning, regresi, time series, produksi ikan lele, prediksi produksi, perikanan budidaya