eprintid: 137850
rev_number: 21
eprint_status: archive
userid: 217796
dir: disk0/00/13/78/50
datestamp: 2025-09-24 07:19:30
lastmod: 2025-09-24 07:19:30
status_changed: 2025-09-24 07:19:30
type: thesis
metadata_visibility: show
creators_name: Fauzi Ramadhan, -
creators_nim: NIM2109909
creators_id: fauziramadhan27@upi.edu
contributors_type: http://www.loc.gov/loc.terms/relators/THS
contributors_type: http://www.loc.gov/loc.terms/relators/THS
contributors_name: Willdan Aprizal Arifin, -
contributors_name: Ayang Armelita Rosalia, -
contributors_nidn: NIDN15049402
contributors_nidn: NIDN9129401
contributors_id: willdanarifin@upi.edu
contributors_id: ayang.armelita@upi.edu
title: PREDIKSI PRODUKSI PERIKANAN TANGKAP YANG DIDARATKAN DI PPI BINUANGEUN, BANTEN MENGGUNAKAN ALGORITMA XGBOOST
ispublished: pub
subjects: L1
divisions: SIK_S1_SRG
full_text_status: restricted
keywords: Kata Kunci: Feature Engineering, Machine Learning, Prediksi Produksi, PPI Binuangeun, XGBoost.

Keywords: Feature Engineering, Machine Learning, Production Prediction, PPI Binuangeun, XGBoost.
note: https://scholar.google.com/citations?view_op=new_profile&hl=en

ID SINTA Dosen Pembimbing :
Willdan Aprizal Arifin : 6745746
Ayang Armelita Rosalia : 6721849
abstract: 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
date_type: published
institution: Universitas Pendidikan Indonesia
department: KODEPRODI54241#Sistem Informasi Kelautan_S1
thesis_type: other
thesis_name: other
official_url: https://repository.upi.edu/
related_url_url: https://perpustakaan.upi.edu/
related_url_type: org
referencetext: DAFTAR PUSTAKA

Alkayes, A. F., & Sugihartono, T. (2025) Perbandingan Algoritma XGBoost dan LSTM dalam Prediksi Harga Saham Tesla Menggunakan Data Tahun 2025.
Arifin, W. A., Ariawan, I., Rosalia, A. A., Lukman, L., & Tufailah, N. (2022). Data scaling performance on various machine learning algorithms to identify abalone sex. Jurnal Teknologi dan Sistem Komputer, 10(1), 26-31.
Asnawi, M. F., Bisono, H. H., Megantara, M. A., & Kusrini, K. (2024). Aplikasi Prediksi Banjir Menggunakan Algoritma XGBoost Berbasis Website. Journal of Economic, Management, Accounting and Technology, 7(2), 379-389.
Chen, T., & Guestrin, C. (2016, August). XGBoost: A scalable tree boosting system. In Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining (pp. 785-794).
Dewi, Y. S., Ernaningsih, D., & Telussa, R. F. (2020). Analisis Faktor-Faktor Produksi yang Mempengaruhi Hasil Tangkapan Kapal Purse Seine yang Didaratkan di Pelabuhan Perikanan Pantai (PPP) Labuan Provinsi Banten. Jurnal Ilmiah Satya Minabahari, 6(1), 43-47.
FAO. (2020). The State of World Fisheries and Aquaculture 2020. Rome: Food and Agriculture Organization.
Frery, A. C. (2023). Interquartile range. In Encyclopedia of Mathematical Geosciences (pp. 664-666). Cham: Springer International Publishing.
Hamzah, A., & Nurdin, H. S. (2021). Strategi adaptasi nelayan selama pandemi covid-19 di Pelabuhan Perikanan Nusantara Karangantu. Akuatika Indonesia, 6(1), 25-30.
Harahap, A., Khalfianur, W., & Niati, C. R. (2017). Pengaruh gelombang laut terhadap hasil tangkapan nelayan di Kuala Langsa. Jurnal Ilmiah Samudra Akuatika, 1(2), 21-25.
Hendiarti, N. (2008). Hubungan antara keberadaan ikan pelagis dengan fenomena oseanografi dan perubahan iklim musiman berdasarkan analisis data penginderaan jauh. Globe, 10(1), 19-25.
Herdian, C., Kamila, A., & Budidarma, I. G. A. M. (2024). Studi Kasus Feature Engineering Untuk Data Teks: Perbandingan Label Encoding dan One-Hot Encoding Pada Metode Linear Regresi. Technologia: Jurnal Ilmiah, 15(1), 93-108.
Isma, M. F. (2017). Analisa Bioekonomi Sumberdaya Alat Tangkap Ikan Pelagis Di Kepulauan Meranti Provinsi Riau. Jurnal Ilmiah Samudra Akuatika, 1(1), 72-87.
Kartamihardja, E. S., Purnomo, K., & Umar, C. (2009). Sumber daya ikan perairan umum daratan di Indonesia-terabaikan. Jurnal Kebijakan Perikanan Indonesia, 1(1), 1-15.
Khadijah, A., Akbari, T., & Maarif, M. S. (2019). Analisis Rantai Pasok Ikan Tuna Menggunakan Model Scor Dan Swot Di Ppi Binuangeun. Buletin Ilmiah Marina Sosial Ekonomi Kelautan dan Perikanan, 5(1), 29-37.
KKP. (2023). Statistik Perikanan Tangkap Indonesia 2022. Jakarta: Kementerian Kelautan dan Perikanan.
Knudby, A., LeDrew, E., & Brenning, A. (2010). Predictive mapping of reef fish species richness, diversity and biomass in Zanzibar using IKONOS imagery and machine-learning techniques. Remote Sensing of Environment, 114(6), 1230-1241.
Kurniawan, W., & Indahyanti, U. (2024). Prediksi Angka Harapan Hidup Penduduk Menggunakan Metode XGBoost. Indonesian Journal of Applied Technology, 1(2), 18-18.
Lewis, C. D. (1982). Industrial and business forecasting methods: A practical guide to exponential smoothing and curve fitting. (No Title).
Lisanthoni, A., Sari, F. I., Gunawan, E. L., & Adhigiadany, C. A. (2023). Model Prediksi Kepadatan Lalu Lintas: Perbandingan Algoritma Random forest dan XGBoost. In PROSIDING SEMINAR NASIONAL SAINS DATA (Vol. 3, No. 1, pp. 296-303).
Ma'mun, A., Priatna, A., Hidayat, T., & Nurulludin, N. (2017). Distribusi dan potensi sumber daya ikan pelagis di wilayah pengelolaan perikanan negara republik indonesia 573 (wpp nri 573) samudera hindia. Jurnal Penelitian Perikanan Indonesia, 23(1), 47-56.
Mardhia, D., Kautsari, N., Syaputra, L. I., Ramdhani, W., & Rasiardhi, C. O. (2020). Penerapan protokol kesehatan dan dampak Covid-19 terhadap harga komoditas perikanan dan aktivitas penangkapan. Indonesian Journal of Applied Science and Technology, 1(2), 80-87.
Masduqi, E., Setyaningrum, A., & Haryanti, S. (2022). Pengaman Oantai Alami di Pantai Selatan Bantul. Jurnal Rekayasa Lingkungan, 22(1).
Muhtarom, A. (2017). Analisis Kontribusi Hasil Perikanan Laut Terhadap Kesejahteraan Para Nelayan Dan Masyarakat Di Kabupaten Lamongan. Jurnal Ekonomi dan Bisnis, 5(2), 89-97.
Murdiansyah, D. T. (2024). Prediksi Stroke Menggunakan Extreme Gradient Boosting. JIKO (Jurnal Informatika dan Komputer), 8(2), 419-426.
Nababan, A. A., & Jannah, M. (2023). Prediksi Kualitas Udara Menggunakan Xgboost Dengan Synthetic Minority Oversampling Technique (Smote) Berdasarkan Indeks Standar Pencemaran Udara (Ispu). JTIK (Jurnal Teknik Informatika Kaputama), 7(1), 214-219.
Nelwan, A. F., Sondita, M. F. A., Monintja, D. R., & Simbolon, D. (2010). Evaluasi produksi perikanan tangkap pelagis kecil di perairan pantai barat Sulawesi Selatan. Jurnal Teknologi Perikanan dan Kelautan, 1(1), 41-49.
Neri, V. O. (2024). 10 Regression Metrics For Machine Learning & Practical How To Guide. Data Science. Machine Learning.
Noor, S. M., Hasaruddin, H., Rizal, M., Zuriat, Z., Hasanah, U., & Adnyana, I. M. D. M. (2022). Class Improvement Strategies for the Binuangeun Fish Landing Base in Lebak Regency, Banten. Marine Fisheries: Journal of Marine Fisheries Technology and Management, 13(2), 123-136.
Noor, S. M., Solihin, I., & Muninggar, R. (2024). Facility Performance Evaluation at Fish Landing Port (PPI) Binuangeun Banten, Indonesia: What Strategies Can Be Applied? Journal of Coastal and Marine Management, 15(1), 45-56.
Pradana, R. S. (2019). Kajian Komoditas Unggulan Perikanan Laut Tangkap Pada Setiap Kecamatan di Kabupaten Aceh Jaya. Jurnal Agrica, 12(2), 61-76.
Pramunendar, R. A., Alzami, F., & Megantara, R. A. (2021). Penerapan Random forest Untuk Pengenalan Jenis Ikan Berdasarkan Perbaikan Citra Clahe Dan Dark Channel Prior. Jurnal Informatika Upgris, 7(1), 23-30.
Pratama, I., Permanasari, A. E., Ardiyanto, I., & Indrayani, R. (2016). A review of missing values handling methods on time-series data. In 2016 international conference on information technology systems and innovation (ICITSI) (pp. 1-6). IEEE.
Probst, P., Wright, M. N., & Boulesteix, A. L. (2019). Hyperparameters and tuning strategies for random forest. Wiley Interdisciplinary Reviews: data mining and knowledge discovery, 9(3), e1301.
Provost, F., & Fawcett, T. (2013). Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking. O'Reilly Media.
Purwanto, P., & Wudianto, W. (2017). Perkembangan dan Optimisasi Produksi Perikanan Laut di Indonesia. Jurnal Kebijakan Perikanan Indonesia, 3(2), 81-99.
Riza, F. (2022). Analisis dan prediksi data penjualan menggunakan machine learning dengan pendekatan ilmu data. Data Sci. Indones, 1(2), 62-68.
Rizal, M., Indah, D. R., & Meutia, R. (2021). Analisis Peramalan Produksi Menggunakan Trend Moment Pada Kilang Padi Do'a Ibu Diperlak Kecamatan Pereulak. Jurnal Samudra Ekonomika, 5(2), 161-168.
Sakina, E., & Mirza, A. H. (2024). Prediksi Hasil Produksi Ikan Lele Menggunakan Machine Learning (Studi Kasus Dinas Perikanan Kabupaten Muara Enim). Jurnal INSTEK (Informatika Sains dan Teknologi), 9(1), 55-64.
Sangaji, D., & Sutabri, T. (2025). Analisis XGBoost dan Random forest untuk Prediksi Curah Hujan dalam Mendukung Mitigasi Karhutla. Jurnal Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence), 5(1), 13-18.
Sari, M. N., & Yuliasara, F. (2020). Dampak virus corona (COVID-19) terhadap sektor kelautan dan perikanan: A literature review. Jurnal Riset Kelautan Tropis (Journal of Tropical Marine Research)(J-Tropimar), 2(2), 58-65.
Sebayang, I. S. D., & Kurniadi, A. (2015). Identifikasi dan Analisis Kerusakan Garis Pantai Tanjung Pasir di Kabupaten Tangerang, Banten. Rekayasa Sipil, 4(1), 11-20.
Sugiyono. 2016. Metode Penelitian Kuantitatif Kualitatif dan R & D. Bandung: Alfabeta.
Suman, A., Satria, F., Nugraha, B., Priatna, A., Amri, K., & Mahiswara, M. (2018). Status stok sumber daya ikan tahun 2016 di wilayah pengelolaan perikanan Negara Republik Indonesia (WPP NRI) dan alternatif pengelolaannya. Jurnal Kebijakan Perikanan Indonesia, 10(2), 107-128.
Suryanto, A. A., & Muqtadir, A. (2019). Penerapan metode mean absolute error (MAE) dalam algoritma regresi linear untuk prediksi produksi padi. Saintekbu, 11(1), 78-83.
Syafik, A., Kunarso, K., & Hariadi, H. (2013). Pengaruh sebaran dan gesekan angin terhadap sebaran suhu permukaan laut Di Samudera Hindia (Wilayah pengelolaan perikanan Republik Indonesia 573). Journal of Oceanography, 2(3), 318-328.
Widiastuti, I., & Hapsari, F. (2021). Prediksi Hasil Tangkapan Ikan Menggunakan Random forest. Jurnal Teknologi dan Sistem Komputer, 9(1), 45-50.
citation:   Fauzi Ramadhan, -  (2025) PREDIKSI PRODUKSI PERIKANAN TANGKAP YANG DIDARATKAN DI PPI BINUANGEUN, BANTEN MENGGUNAKAN ALGORITMA XGBOOST.  S1 thesis, Universitas Pendidikan Indonesia.   
document_url: http://repository.upi.edu/137850/1/S_SIK_2109909_Title.pdf
document_url: http://repository.upi.edu/137850/2/S_SIK_2109909_Chapter1.pdf
document_url: http://repository.upi.edu/137850/3/S_SIK_2109909_Chapter2.pdf
document_url: http://repository.upi.edu/137850/4/S_SIK_2109909_Chapter3.pdf
document_url: http://repository.upi.edu/137850/5/S_SIK_2109909_Chapter4.pdf
document_url: http://repository.upi.edu/137850/6/S_SIK_2109909_Chapter5.pdf
document_url: http://repository.upi.edu/137850/7/S_SIK_2109909_Appendix.pdf