Random Forest Regresi untuk Memperkirakan Produksi Kelapa Sawit per Pohon dari Umur Tanaman dan Curah Hujan

Info proyek

• Bidang studiPertanian dan Perkebunan
• JenjangTesis (S2)
• Jenis metodeRegresi
• Perkiraan pengerjaan± 5 hari kerja
• Perangkatscikit-learn RandomForestRegressor, feature_importances_, train_test_split
• HargaRp 350.000 - Rp 2.250.000

Tujuan analisis

Memprediksi produksi tandan per pohon dengan Random Forest dari umur tanaman dan curah hujan tahunan serta menilai pentingnya tiap fitur.

Variabel

Contoh hasil

• 0.877R2 (test)
• 0.875OOB R2
• 2.41RMSE (test)
• 1.869MAE (test)
• 0.709Top importance
• 150Trees

Random forest regresi memprediksi Produksi tandan per pohon dengan R2 uji 0.877 dan RMSE 2.410; prediktor terpenting adalah Umur tanaman (kepentingan 0.709).

Dihitung dari data sintetis sebagai ilustrasi, bukan dari penelitian nyata.

Tentang Random Forest Regresi

Random forest regresi merata-ratakan banyak pohon keputusan yang dilatih pada sampel bootstrap sehingga mampu menangkap hubungan nonlinear dan interaksi. Cocok untuk skripsi/tesis dengan data tabular yang pola hubungannya tidak linear.

Langkah pengerjaan

1. 1Siapkan fitur dan target lalu bagi data latih dan uji
2. 2Latih RandomForestRegressor dengan jumlah pohon yang memadai
3. 3Atur max_depth dan min_samples_leaf bila overfitting
4. 4Evaluasi R2 dan RMSE pada data uji (dan skor OOB)
5. 5Hitung pentingnya fitur
6. 6Plot aktual versus prediksi dan bar pentingnya fitur

Asumsi yang perlu diperiksa

• Data latih mewakili data yang akan diprediksi
• Tidak ada kebocoran informasi target ke dalam fitur
• Model tidak mampu ekstrapolasi di luar rentang data latih

Membaca dan melaporkan hasil

Laporkan R2, RMSE, dan peringkat pentingnya fitur sebagai indikasi variabel dominan, bukan sebab-akibat. Bandingkan dengan baseline linear untuk menunjukkan nilai tambah model.

Contoh kode Python

Skrip awal singkat dengan nama variabel proyek ini. Versi yang diserahkan disesuaikan dengan data Anda dan diberi komentar lengkap.

import numpy as np
import matplotlib.pyplot as plt
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import r2_score, mean_squared_error

rng = np.random.default_rng(7)
n = 400
palm_age = rng.uniform(0, 10, n)
annual_rainfall = rng.uniform(0, 5, n)
x3 = rng.normal(size=n)
fruit_bunch_production_per_t = np.sin(palm_age) * 3 + annual_rainfall ** 2 + 0.2 * x3 + rng.normal(0, 0.5, n)

X = np.column_stack([palm_age, annual_rainfall, x3])
X_tr, X_te, y_tr, y_te = train_test_split(X, fruit_bunch_production_per_t, test_size=0.2, random_state=7)
rf = RandomForestRegressor(n_estimators=300, min_samples_leaf=3, oob_score=True, random_state=7)
rf.fit(X_tr, y_tr)
pred = rf.predict(X_te)
print("OOB R2:", round(rf.oob_score_, 3))
print("Test R2:", round(r2_score(y_te, pred), 3))
print("Test RMSE:", round(mean_squared_error(y_te, pred) ** 0.5, 3))
print("Importance:", rf.feature_importances_.round(3))

fig, ax = plt.subplots(1, 2, figsize=(10, 4))
ax[0].scatter(y_te, pred)
ax[0].plot([y_te.min(), y_te.max()], [y_te.min(), y_te.max()], "r--")
ax[0].set_xlabel("Actual"); ax[0].set_ylabel("Predicted")
ax[1].bar(["x1", "x2", "x3"], rf.feature_importances_)
ax[1].set_title("Feature importance")
plt.tight_layout()
plt.show()

Paket dan harga

Pilih seberapa banyak bantuan yang Anda perlukan. Setiap paket yang lebih tinggi sudah mencakup semua item paket di bawahnya. Harga belum termasuk PPN 11%.

• Pembayaran: DP 50% sebelum pekerjaan dimulai, pelunasan setelah hasil diserahkan
• Pajak: Harga belum termasuk PPN 11%
• Data dan integritas akademik: Hasil dihitung dari data penelitian Anda sendiri; Anda yang menulis dan mempertanggungjawabkan naskah, kami membantu analisis dan pemahaman
• Revisi: Maksimal 2 kali revisi termasuk dalam harga (Paket 3: 3 kali)

Pertanyaan umum