Implementasi Data mining Untuk Prediksi Panen Teh Menggunakan Metode K-Nearst Neighbor (KNN)

Abstract

Ketidakpastian hasil panen teh akibat variasi kondisi iklim menjadi tantangan dalam perencanaan
produksi pada industri perkebunan teh. Perubahan curah hujan, suhu udara, kelembapan, dan
intensitas penyinaran matahari dapat menyebabkan fluktuasi hasil panen. Penelitian ini bertujuan
untuk memprediksi hasil panen teh berdasarkan variabel iklim menggunakan pendekatan data
mining dengan algoritma K-Nearest Neighbor (KNN). Data yang digunakan berupa data sekunder
yang terdiri dari data historis hasil panen teh dan data iklim, yang diproses melalui tahapan preprocessing
berupa normalisasi data serta pembagian data latih dan data uji dengan rasio 80:20.
Model prediksi dibangun menggunakan KNN Regression dan dievaluasi menggunakan Mean
Absolute Percentage Error (MAPE) dan koefisien determinasi (R²). Hasil evaluasi menunjukkan
bahwa model KNN dengan parameter terbaik k = 3 menghasilkan nilai MAPE sebesar 39,67% dan
nilai R² sebesar 0,000, yang menunjukkan bahwa akurasi prediksi numerik model masih tergolong
rendah. Meskipun demikian, hasil prediksi menunjukkan adanya keterkaitan antara variabel iklim
dan hasil panen, di mana kondisi iklim ekstrem cenderung diikuti oleh penurunan hasil panen teh.
Model ini diharapkan dapat digunakan sebagai alat bantu awal dalam memahami kecenderungan
hasil panen teh berbasis kondisi iklim.