relation: http://repository.upi.edu/137850/
title: PREDIKSI PRODUKSI PERIKANAN TANGKAP YANG DIDARATKAN DI PPI BINUANGEUN, BANTEN MENGGUNAKAN ALGORITMA XGBOOST
creator: Fauzi Ramadhan, -
subject: L Education (General)
description: Perikanan tangkap memegang peranan strategis dalam menjaga ketahanan pangan dan perekonomian masyarakat pesisir. Produksi di Pangkalan Pendaratan Ikan (PPI) Binuangeun, Banten, sering kali berfluktuasi akibat faktor musiman dan operasional. Penelitian ini bertujuan memprediksi volume produksi menggunakan algoritma Extreme Gradient Boosting (XGBoost) dengan data sekunder bulanan periode 2015–2024, yang mencakup variabel produksi, jumlah kapal, nelayan, jenis alat tangkap, musim, bulan, dan tahun. Metode yang digunakan meliputi pra-pemrosesan data, rekayasa fitur (feature engineering), pembagian data latih dan uji secara kronologis, dan optimasi parameter (hyperparameter tuning). Hasilnya, model menunjukkan performa sangat akurat dengan R² sebesar 0,8809, Mean Absolute Error (MAE) 13.558,57 kg, Root Mean Squared Error (RMSE) 16.867,53 kg, dan Mean Absolute Percentage Error (MAPE) 7,83%. Analisis feature importance mengungkapkan bahwa produksi tiga bulan sebelumnya (Produksi_lag3) dan efisiensi per kapal menjadi faktor paling berpengaruh. Prediksi tahun 2025–2027 menunjukkan tren peningkatan yang konsisten, dengan volume yang diproyeksikan mencapai 2,24 juta kg pada 2025 dan terus naik hingga 2,47 juta kg pada 2027. Kesimpulan dari penelitian ini adalah bahwa XGBoost efektif dalam memprediksi produksi perikanan dan temuannya dapat digunakan sebagai dasar ilmiah untuk perencanaan sumber daya yang lebih efisien dan berkelanjutan di PPI Binuangeun.      Capture fisheries play a strategic role in ensuring national food security and supporting the coastal economy in Indonesia. The Fish Landing Base (PPI) of Binuangeun, Banten, is a key hub for capture fisheries, with production that often fluctuates due to seasonal, operational, and other dynamic factors. This study aims to predict the volume of fish catch production using the Extreme Gradient Boosting (XGBoost) algorithm based on monthly secondary data from 2015–2024, which includes variables such as production volume, number of vessels, number of fishers, gear type, season, month, and year. The methodology involved data preprocessing, feature engineering, a chronological split into training and test datasets, and hyperparameter tuning to optimize the model. The model achieved a very high level of accuracy, with an R² of 0.8809, a Mean Absolute Error (MAE) of 13,558.57 kg, a Root Mean Squared Error (RMSE) of 16,867.53 kg, and a Mean Absolute Percentage Error (MAPE) of 7.83%. Feature importance analysis revealed that production from three months prior (Produksi_lag3) and production efficiency per vessel were the most influential factors. The forecast for 2025–2027 shows a consistent upward trend, with the projected production volume reaching 2.24 million kg in 2025 and rising to 2.47 million kg by 2027. This study concludes that XGBoost is effective in predicting fish catch production, and its findings can serve as a scientific basis for more efficient and sustainable resource management at PPI Binuangeun.
date: 2025-08-26
type: Thesis
type: NonPeerReviewed
format: text
language: id
identifier: http://repository.upi.edu/137850/1/S_SIK_2109909_Title.pdf
format: text
language: id
identifier: http://repository.upi.edu/137850/2/S_SIK_2109909_Chapter1.pdf
format: text
language: id
identifier: http://repository.upi.edu/137850/3/S_SIK_2109909_Chapter2.pdf
format: text
language: id
identifier: http://repository.upi.edu/137850/4/S_SIK_2109909_Chapter3.pdf
format: text
language: id
identifier: http://repository.upi.edu/137850/5/S_SIK_2109909_Chapter4.pdf
format: text
language: id
identifier: http://repository.upi.edu/137850/6/S_SIK_2109909_Chapter5.pdf
format: text
language: id
identifier: http://repository.upi.edu/137850/7/S_SIK_2109909_Appendix.pdf
identifier:   Fauzi Ramadhan, -  (2025) PREDIKSI PRODUKSI PERIKANAN TANGKAP YANG DIDARATKAN DI PPI BINUANGEUN, BANTEN MENGGUNAKAN ALGORITMA XGBOOST.  S1 thesis, Universitas Pendidikan Indonesia.   
relation: https://repository.upi.edu/