PENGEMBANGAN SISTEM INFORMASI PREDIKSI PRODUKSI PADI

47

PENGEMBANGAN SISTEM INFORMASI PREDIKSI PRODUKSI PADI

Ekojono¹, Anugrah Nur Rahmanto ², Odhitya Desta Triswidrananta ³

1 ekojono@polinema.ac.id , ² anugrahnur@polinema.ac.id, ³ odhitya.desta@gmail.com Teknik Informatika, Jurusan Teknologi Informasi, Politeknik Negeri Malang

Abstrak

Produksi padi sangat penting pada daerah yang makanan pokoknya dari beras. Sehingga produksi padi menjadi perhatian, meningkatkan produksi padi di setiap tahunnya demi mewujudkan ketahanan pangan nasional. Dalam rangka menstabilkan produksi padi setiap tahun, maka perlu melakukan prediksi perhitungan perkiraan produksi. Penelitian ini bertujuan untuk membangun sistem informasi peramalan produksi padi berbasis komputer, sehingga dapat membantu meramalkan produksi padi di tahun selanjutnya. Dalam proses produksi padi ditentukan oleh luas lahan, luas panen, dan bibit. Sistem ini menggunakan Jaringan Syaraf Tiruan (JST) dengan algoritma pembelajaran Extreme Learning Machine (ELM). Metode ELM memiliki kelebihan dalam learning speed dan tingkat error yang kecil. dengan nilai rata-rata MSE sebesar 0,04747 Dari hasi evaluasi error yang dilakukan menunjukkan bahwa metode ELM dapat membantu system informasi prediksi pruduksi padi bekerja dengan baik.

Kata kunci— Sistem Informasi, produksi padi, prediksi, Jaringan Syaraf Tiruan (JST).

I. PENDAHULUAN

Beras sebagai makanan pokok penduduk Indonesia berasal dari tanaman padi. Pertumbuhan penduduk 2,5% tertahun dengan jumlah lahan yang tidak bertumbuh diperlukan pengoptimalan pemanfaatan lahan

Produksi padi di Indonesia menempati urutan pertama dari semua tanaman pangan yang sebagai makanan pokok didunia.

Lebih dari 59% penduduk dunia menjadikan padi sebagai asupan kalori harian termasuk Indonesia [1]. Di Indonesia padi merupakan bahan makanan pokok penduduk yang bila dihitung dalam kalori sebesar 60% hingga 80% kalori dan 45% hingga 55% protein.[2]

Kebutuhan pangan terutama beras terus meningkat, seiring dengan meningkatnya pertumbuhan penduduk. Prediksi (forecasting) merupakan alat atau teknik untuk memperkirakan suatu nilai pada masa yang akan datang dengan memperhatikan data atau [3] Selain itu, Metode ELM lebih unggul dalam proses learning speed, serta mempunyai tingkat akurasi yang lebih baik dibandingkan dengan metode konvensional seperti Moving Average dan Exponential Smoothing, sehingga hasil prediksi yang dihasilkan lebih optimal dan akurat [4].

Penelitian yang terkait dengan prediksi produksi padi oleh [5]

dengan judul “Peramalan Jumlah Produksi Padi di Sulawesi Tenggara Menggunakan Metode Fuzzy Time Series” dengan data yang digunakan pada peramalan ini yaitu data tahun 1974

sampai dengan 2014 dan menghasilkan peramalan produksi padi pada tahun 2015

II. PREDIKSIPRODUKSIPADI

Produksi pada dasarnya merupakan hasil kali luas panen dengan produktivitas per Ha lahan, sehingga seberapa besar produksi suatu wilayah, tergantung seberapa luas panen pada tahun yang bersangkutan atau berapa tingkat produktivitasnya.

Tidak hanya luas lahan, banyak hal dapat mempengaruhi produksi padi, antara lain luas panen dan juga bibit [5].

Produksi beras di Indonesia tidak selalu stabil, mengalami kenaikan dan penurunan. Pada tahun 1997, produksi padi Indonesia merosot sebesar 3.4%, sedangkan pada tahun 1998 produksi padi Indonesia kembali merosot sebesar 4,6% [6].

Karena produksi padi yang tidak stabil , maka diperlukan suatu aplikasi yang bisa memprediksi produksi tahun mendatang berdasarkan data tahun sebelumnya dengan menanfaatkan suatu algoritma jaringan syaraf tiruan.

Extreme Learning Machine (ELM) diperkenalkan oleh Huang pada tahun 2004. ELM ini merupakan metode pembelajaran baru dari JST[3]. ELM merupakan metode pengembangan dari jaringan saraf tiruan feedforward sederhana dengan menggunakan satu hidden layer atau biasa

48

dikenal dengan Single Hidden Layer Feedforward Neural Networks (SLFNs).

Jaringan feedforward menggunakan parameter- parameter yang ditentukan secara manual seperti input weight dan bias. Input weight dan bias ini dibangkitkan secara acak dalam suatu rentang tertentu. Dengan nilai yang diacak tersebut, bisa mendapatkan hasil prediksi yang lebih baik.

Secara umum struktur ELM ditunjukkan pada Gambar 1.

Arsitektur algoritme ELM Gambar 1 terdiri dari tiga layer yaitu layer input T, LL, LP, dan B, hidden layer dengan neuron sebanyak j dan output layer dengan output target P.

Dalam arsitektur ELM tersebut terdapat hanya satu hidden layer yang merupakan ciri khas dari algoritma ELM4

Gambar 1 Struktur Metode ELM

. Pada layer input layer terdapat masukan dari fitur ke 1 sampai fitur ke n. Sebelum masuk hidden layer, bobot input Wjk menjadi masukan untuk perhitungan h di hidden neuron menggunakan fungsi aktivasi. Setelah perhitungan h, hidden layer akan menghasilkan 𝛽̂i sebagai masukan output layer untuk menghitung keluaran 𝑌̂i.oleh karena itu ELM dipilih untuk menyelesaikan prediksi produksi padi pada pengembangan system informasi ini.

III. METODEPENGEMBANGANSISTEM

Gambar 2 Metode Waterfall Termodifikasi

Metode dalam pengembangan sistem informasi ini menggunkaan metode modified waterfall yang diawali dengan Requirments definition, System and software design, implementation and unit testing, Integration and system testing, operation and maintenance. Modified dalam hal ini pada setiap tahap bisa dilakukan feedback.

IV. HASILDANPEMBAHASAN 4.1 Requirmen definition,

Sistem yang dirancang dan dibangun dalam penelitian ini adalah sistem prediksi produksi padi menggunakan metode ELM (Extreme Learning Machine) yang digunakan untuk menentukan jumlah produksi padi di Kabupaten Lumajang pada tahun mendatang.

Hasil prediksi produksi padi menjadi pertimbangan untuk merencanakan langkah-langkah strategis dalam menjaga kestabilan produksi padi di Kabupaten Lumajang.

Diagram blok perancangan terdapat input, proses, output dimana input dari prediksi ini adalah weight dan bias yang digunakan untuk proses training dan testing, data fitur, jumlah hidden neuron.

Gambar 3 Diagram Blok Perancangan

Proses menggunakan 4 variabel yaitu Tahun, Luas Lahan, Luas Panen, Jumlah Bibit dan di proses dengan metode Extreme Learning Machine yang akan mendapatkan ouput hasil prediksi produksi padi, serta grafik dari data history yang digunakan dan hasil prediksi yang di inputkan sesuai tahun dan variabelnya. Seperti pada diagram blok terdapat pada gambar 3.

4.2 Analisis Kebutuhan

Tahap ini merupakan tahap awal dalam pembentukan aplikasi untuk mengimplementasikan metode Extreme Learning Machine dalam memprediksi jumlah produksi padi

Hal pertama yang perlu dilakukan dalam analisis kebutuhan sistem adalah menentukan dan mengungkapkan kebutuhan sistem. Kebutuhan sistem terbagi menjadi dua yaitu kebutuhan sistem fungsional dan kebutuhan sistem non- fungsional.

4.3 Kebutuhan Fungsional

Kebutuhan fungsional adalah kebutuhan-kebutuhan yang memiliki keterkaitan langsung dengan sistem. Pada kebutuhan fungsional sistem yang dibuat yaitu aplikasi berbasis desktop untuk pengguna sebagai berikut :

49

- Import Data Excel

- Lihat Semua Data, Data Minimal, Data Maksimal - Lihat Data Normalisasi

- Lihat Data Bobot - Lihat Data Bias

- Lihat Hasil Beta Training - Lihat Hasil Y Testing - Lihat Hasil Y Prediksi - Lihat Hasil MSE - Lihat Waktu Proses

- Lihat Hasil Prediksi Tahun Selanjutnya - Lihat Grafik Data Histori dan Hasil Prediksi 4.4 Kebutuhan Non-Fungsional

Kebutuhan non-fungional adalah kebutuhan yang tidak secara langsung terkait dengan fitur tertentu di dalam sistem.

Kebutuhan non-fungsional dibagi menjadi dua yaitu kebutuhan perangkat keras dan kebutuhan perangkat lunak 4.5 System and software design (Perancangan Sistem)

Perancangan adalah penjelasan dari hasil analisa kebutuhan pada pengimplementasi metode. Ditahap perancangan sistem akan membahas mengenai perancangan alur sistem yang membahas mengenai alur dari penggunaan sistem peramalan produksi padi, selain itu juga akan membahas mengenai flowchart sistem yang digunakan untuk menggambarkan tahap-tahap atau prosedur beserta aliran data dengan simbol-simbol standar yang mudah dipahami, untuk gambaran fungsionalitas akan di gambarkan dalam Use case, sehingga pengguna sistem dapat memahami dan mengerti mengenai kegunaan sistem, serta menjelaskan proses perhitungan manualisasi dari metode Extreme Learning Machine (ELM) untuk memprediksi produksi padi, dengan beberapa proses seperti mempersiapkan dataset, normalisasi, inisialisai bobot masukan dan bias, proses training, proses testing, menghitung error menggunakan MSE, serta denormalisasi data. Berikut gambaran umum tahapan detail perancangan sistem :

4.6 Perancangan Alur Sistem

Gambar 4. Arsitektur Sistem

Pada gambar 4. Arsitektur sistem dari sistem informasi peramalan predikasi padi yang dibuat, terdapat beberapa proses yaitu dimulai dari user menyiapkan data histori per tahun yang berisi Tahun, Luas Lahan, Luas Panen, Bibit dalam berbentuk Microsoft Excel dengan ekstensi .xls atau .xlsx. berikutnya user melakukan import data ke dalam sistem. Berikutnya data di olah menggunakan metode Extreme Learning Machine (ELM) dengan proses training dan testing.

yang kemudian akan di cari nilai evaluasi error menggunakan MSE. Setelah proses tersebut dilakukan, maka user dapat melakukan prediksi produksi padi pada tahun selanjutnya dengan masukan Tahun, Luas Lahan, Luas Panen dan Bibit sehingga akan menghasilkan nilai produksi padi di tahun yang sesuai dengan inputan, setelah proses prediksi maka user dapat melihat grafik data antara data histori yang digunakan dengan hasil prediksi di tahun selanjutnya.

4.7 Flowchart Metode Extreme Learning Machine

Tujuan dari prediksi produksi padi menggunakan metode ELM ini adalah untuk mendapatkan hasil prediksi dengan nilai error terkecil. Berikut diagram alir untuk keseluruhan proses produksi padi menggunakan metode Extreme Learning Machine (ELM) terdapat pada gambar 5

Berdasarkan diagram alir pada Gambar 5 berikut langkah-langkah penyelesaian dengan metode ELM:

1. Sistem menerima masukan berupa data histori Tahun, Luas Lahan, Luas Panen, Bibit dan Produksi Padi, jumlah neuron pada hidden layer, jumlah perbandingan fitur data.

2. Proses normalisasi data menggunakan Min-Max Normalization.

3. Inisialisasi input weight dan bias.

4. Setelah data dinormalisasi kemudian dilanjutkan ke proses training dan proses testing.

5. Hasil dari proses training adalah output weight atau beta.

6. Proses testing akan menggunakan beta dari proses traing dan akan menghasilkan Y Prediksi sebelum di denormalisasi.

7. Hasil prediksi sebelum didenormalisasi tersebut kemudian dievaluasi dengan menghitung nilai error menggunakan MSE(Mean Square Error).

8. Setelah di hitung nilai error, maka data akan di denormalisasi

9. Keluaran terakhir merupakan hasil prediksi dari ELM yang telah di denormalisasi.

50

Gambar 5 Diagram Alir Metode Extreme Learning Machine 4.8 Perancangan Use Case

Use case adalah gambaran fungsionalitas dari suatu sistem, sehingga pengguna sistem dapat memahami dan mengerti mengenai kegunan sistem[7]. Pada gambar 6 adalah Use case diagram sistem terdapat user yaitu admin yang dapat melakukan beberapa fungsi yaitu dapat melakukan impor data dengan bentuk Microscoft Excel (.xls / .xlsx), melihat isi semua data yang di impor, melihat data minimal, melihat data maksimal, melihat data training dan testing, mengelola data dengan melakukan input jumlah hidden neuron dan rasio data training dan testing yang [8][9] digunakan, melihat data hasil normalisasi, lihat bobot masukan atau weight, lihat bias, lihat animasi visual dari metode Extreme Learning Machine (ELM), lihat data output weight atau beta di proses training, lihat data Y testing, lihat data Y prediksi setelah di denormalisasi, lihat nilai evaluasi error dengan menggunakan rumus MSE (Mean Square Error), lihat waktu proses dalam mengelolah data menggunakan metode, mengelola data prediksi pada tahun selanjutnya dengan melakukan input tahun prediksi, luas lahan, luas panen, dan bibit, lihat hasil prediksi sesuai input, lihat grafik data prediksi antara data histori yang digunakan dengan data hasil prediksi di tahun selanjutnya atau sesuai Berikut adalah use case dari sistem terdapat pada gambar 6 :

Gambar 6 Use Case Sistem

TABEL 1DEFINISI USE CASE

ID Aktor Use Case Deskripsi

UC-

01 Admin Impor Data

Admin melakukan impor data berbentuk Microsoft Excel (.xls / .xlsx)

UC-

02 Admin Lihat Semua Data

Admin dapat melihat semua data yang di impor

UC-

03 Admin Lihat Data Minimal

Admin dapat melihat data terkecil yang di impor

UC-

04 Admin Lihat Data Maksimal

Admin dapat melihat data terbesar yang di impor

UC-

05 Admin Kelola Data

Admin dapat melakukan input jumlah hidden neuron dan rasio data training dan testing UC-

06 Admin Lihat Data Training

Admin dapat melihat data yang di gunakan pada proses training UC-

07 Admin Lihat Data Testing

Admin dapat melihat data yang di gunakan pada proses testing UC-

08 Admin Lihat Data Normalisasi

Admin dapat melihat data yang telah di normalisasi

UC-

09 Admin Lihat Weight dan Bias

Admin dapat melihat hasil weight dan bias yang nilainya random, untuk range bias adalah 0 sampai

51

ID Aktor Use Case Deskripsi

1, dan weight -1 sampai 1 UC-

10 Admin Lihat Animasi Visual ELM

Admin dapat melihat animasi visual dari metode ELM UC-

11 Admin

Lihat Data Output Weight atau Beta

Admin dapat melihat hasil beta dari proses training, yang nantinya akan di pakai di proses testing UC-

12 Admin Lihat Data Y Testing

Admin dapat melihat data target atau Y yang digunakan pada proses testing

UC-

13 Admin

Lihat Data Y Prediksi Denormalisasi

Admin dapat melihat data hasil proses testing yaitu Y Prediksi yang belum di denormalisasi UC-

14 Admin Lihat Evaluasi Nilai Error

Admin dapat melihat nilai evaluasi error menggunakan MSE, sehingga akan mengetahui nilai error pada data Y Prediksi UC-

15 Admin Lihat Waktu Proses

Admin dapat melihat waktu proses eksekusi data dengan

menggunakan metode ELM, dengan satuan waktu seconds atau detik

UC-

16 Admin

Kelola Data Prediksi Selanjutnya

Admin dapat melakukan inputan berupa data tahun yang akan di prediksi, luas lahan, luas panen dan bibit yang digunakan.

UC-

17 Admin

Lihat Hasil Prediksi Selanjutnya

Admin dapat melihat hasil proses dari prediksi di tahun mendatang dengan satuan TON

UC-

18 Admin Lihat Grafik Data Prediksi

Admin dapat melihat grafik data antara data histori yang di masukkan dengan data prediksi pada tahun mendatang atau sesuai yang di inputkan

a. Definisi Aktor

Karakteristik pengguna dalam sistem prediksi produksi padi

b. Definisi Use Case

Berikut daftar use case dan deskripsi singkat mengenai use case tersebut yang dijelaskan dalam bentuk tabel 1 berikut :

c. Skenario Use Case

Untuk lebih memperjelas use case pada tabel 1, berikut akan dipaparkan spesifikasi dari setiap use case yang ada. Spesifikasi tersebut akan meliputi:

- Nama : Merupakan nama use case.

- Deskripsi : Menjelaskan fungsi dan esensi dari use case.

- Aktor : Aktor yang terlibat pada use case.

Pre Condition : Merupakan kondisi awal yang - harus terpenuhi sebelum use case berjalan.

- Post Condition : Merupakan kondisi akhir yang terjadi setelah use case berjalan.

-

- Normal Flow : Merupakan langkah-langkah yang secara normal dijalankan dalam use case.

Implementation and unit testingi Antarmuka Halaman Prediksi

Antarmuka halaman prediksi berisi halaman untuk memprediksi produksi padi berdasarkan nilai inputan yang berupa Tahun, Luas Lahan,

Gambar 7 Implementasi Halaman Prediksi

Luas Panen, dan Bibit yang digunakan. Halaman ini menampilkan form untuk memasukan nilai nilai Tahun, Luas Lahan, Luas Panen, dan Bibit sehingga ketika tombol proses di klik akan menghasilkan nilai prediksi produksi padi sesuai tahun yang di inputkan. Selain itu jika proses perhitungan prediksi di lakukan maka tampil jumlah data produksi padi padi bagian Hasil Prediksi sebelah kanan tampilan aplikasi, dan juga akan secara otomatis menampilkan data histori dan hasil prediksi kedalam bentuk visualisasi grafik batang pada menu Grafik Data. Antarmuka Halaman Prediksi dapat dilihat pada Gambar 7

Antarmuka Halaman Grafik

Antarmuka halaman grafik berisi halaman untuk

Gambar 8 Grafik data history

memberikan informasi data Tahun, Luas Lahan, Luas Panen, Bibit, serta Produksi Padi, yang di tampilkan berupa grafik batang. Dengan adanya visualisasi grafik ini di upayakan untuk membantu instansi terkait dalam memprediksi produksi padi.

Antarmuka Halaman Prediksi dapat dilihat pada Gambar 8.

52

operation and maintenance.

Pada saat dilakukan pengujian sekalian dilakukan pengooperasian sedang perawatan belum dilakukan karena system berjalan dengan baik.

Pada pengujian sistem dilakukan untuk memberi penilaian serta mengetahui tingkat kepuasan pemakai system.

Pengujian ini peneliti menggunakan User Acceptance Test (UAT) yang berbentuk kuesioner dengan jumlah responden

TABEL 2DATA JAWABAN KUESIONER

Pertanyaan TS S SS

1 0 2 8

2 0 1 9

3 0 2 8

4 0 1 9

5 0 4 6

6 0 2 8

7 0 1 9

8 0 2 8

9 0 1 9

10 0 3 7

11 0 2 8

12 0 3 7

10 orang dengan 12 pertanyaan dan kategori penilaian yang digunakan yaitu Tidak Setuju, Setuju dan Sangat Setuju. Pada tabel 2 berikut adalah data dari jawaban pengisian kuesioner.

TABEL 3PEMBOBOTAN KATEGORI JAWABAN

Kategori Bobot

SS (Sangat Setuju) 3

S (Setuju) 2

TS (Tidak Setuju) 1

Pengujian kuesioner yang dilakukan oleh peneliti mengacu dengan menggunakan skala Likert, [8] dan yang dilakukan pertama kali adalah membuat pembobotan jawaban per kategori, yang dapat dilihat pada tabel 2 dan juga membuat indeks presentase nilai yang terdapat pada tabel 3 sebagai berikut :

Setelah melakukan pembuatan pembobotan kategori jawaban dan indeks presentase nilai, maka melakukan proses perhitungan hasil jawaban kuesioner yang di dapat dengan cara mengkalikan setiap point jawaban dengan bobot yang Tabel 4 Indeks Presentase Nilai

Jawaban Keterangan

0% - 33,33% Sangat (Tidak Setuju, Buruk atau Kurang Sekali)

33,34% 66,66% Cukup atau Netral

Jawaban Keterangan

66,67% - 100% Sangat (Setuju, Baik, Suka)

Sudah ditentukan dengan tabel bobot nilai. Sebagai contoh Hasil Perhitungan jawaban responden pada pertanyaan nomor 1 sebagai berikut :

Responden yang menjawab sangat setuju = 8 x 3 = 24 Responden yang menjawab setuju = 2 x 2 = 4 Responden yang menjawab tidak setuju = 0 x 1 = 0 Total Skor = 24 + 4 + 0 = 28

Untuk mendapatkan hasil interpretasi, harus diketahui dulu skor tertinggi (X) dan angka terendah (Y) untuk item penilaian dengan rumus sebagai berikut :

Y=Bobot "Sangat Setuju" x Jumlah Responden X=Bobot "Tidak Setuju" x Jumlah Responden

Jumlah skor tertinggi untuk item “Sangat Setuju” ialah 3 x 10

= 30, sedangkan item “Tidak Setuju” ialah 1 x 10 = 10 dan total skor responden di peroleh angka 28,

TABEL 5HASIL AKHIR

Pertanyaan TS S SS Total Skor Index

1 0 2 8 93%

2 0 1 9 97%

3 0 2 8 93%

4 0 1 9 97%

5 0 4 6 87%

6 0 2 8 93%

7 0 1 9 97%

8 0 2 8 93%

9 0 1 9 97%

10 0 3 7 90%

11 0 2 8 93%

12 0 3 7 90%

Rata - Rata 93 % (Sangat Setuju) maka penilaian interpretasi responden terhadap sistem peramalan tersebut adalah hasil nilai yang dihasilkan dengan menggunakan rumus Index % serta hasil keseluruhan dari proses akhir dapat di lihat pada tabel 5 sebagai berikut:

Rumus Index % = Total Skor / Y x 100%

Maka penyelesaian akhir dari contoh perhitungan jawaban responden pada pertanyaan nomor 1 yaitu:

Rumus Index % = 28 / 30 x 100%

Rumus Index % = 93% (Setuju)

Berdasarkan hasil rata rata pengujian User Acceptance Test (UAT) yang berupa kuesioner menunjukkan angka 93%, dapat diambil kesimpulan bahwa sistem peramalan produksi padi yang di implementasikan pada Dinas Pertanian Kabupaten Lumajang dapat memberikan hasil yang diharapkan penulis yaitu diterima dengan baik oleh pengguna.

53

V . KESIMPULAN

Berdasarkan hasil analisa pengujian didapatkan kesimpulan sebagai berikut:

Hasil pengujian sistem menggunakan User Acceptance Test (UAT dengan menggunakan kuesioner dan melibatkan responden sebanyak 10 orang karyawan Dinas Pertanian Kabupaten Lumajang dan menggunakan 12 pertanyaan menghasilkan kepuasan indeks user sebesar 93% sehingga dapat diambil kesimpulan bahwa sistem peramalan produksi padi menggunakan metode Extreme Learning Machine (ELM) yang di implementasikan pada Dinas Pertanian Kabupaten Lumajang dapat memberikan hasil yang diharapkan yaitu

diterima dengan baik oleh pengguna UCAPAN TERIMA KASIH

Kepada Politeknik Negeri Malang yang telah mendanai penelitian ini melalui dana DIPA .

REFERENSI

[1] P. B. Dan, D. I. Jawa, and T. Tahun, “PUPUK TERHADAP PRODUKSI PADI,” 2011.

[2] B. Irawan, “Konversi Lahan Sawah: Potensi Dampak, Pola Pemanfaatannya, dan Faktor Determinan,” Forum Penelit. Agro Ekon., vol. 23, no. 1, p. 1, 2017.

[3] E. A. Saputri and Ekojono, “Prediksi Volume Impor Beras Nasional Menggunakan Jaringan Saraf Tiruan Metode ELM ( Extreme Learning Machine ),” Semin. Nas.

Teknol. Inf. dan Apl., vol. 10, 2018.

[4] R. A. Chandra, E. Santoso, and S. Adinugroho, “Optimasi Metode Extreme Learning Machine Dalam Penentuan Kualitas Air Sungai Menggunakan Algoritme Genetika,” J. Pengemb. Teknol. Inf. dan Ilmu Komput.

Univ. Brawijaya, vol. 2, no. 10, pp. 3265–3273, 2018.

[5] Djafar, M. I. Sarita, and Y. P. Pasrun, “Peramalan jumlah produksi padi di sulawesi tenggara menggunakan metode,” vol. 3, no. 2, pp. 113–120, 2017.

[6] H. R. T. Bhuana, “Model Prediksi Produksi Panen Komoditas Padi Menggunakan Metode Regresi Linier Berganda.” 2012.

[7] J. T. Komputer, P. Harapan, and B. Tegal, “Unified Modeling Language ( UML ) Model Untuk Pengembangan Sistem Informasi Akademik Berbasis Web,” vol. 03, no. 01, pp. 126–129, 2018.

[8] Maryuliana, I. Much, I. Subroto, S. Farisa, and C. Haviana,

“Sistem Informasi Angket Pengukuran Skala Kebutuhan Materi Pembelajaran Tambahan Sebagai Pendukung Pengambilan Keputusan Di Sekolah Menengah Atas Menggunakan Skala Likert,” vol. 1, no. 2, pp. 1–12, 2016.