The Big Data Commodity Management Model for Rice for National Food Policy

Eneng Tita Tosida,Yani Nurhadryani Yani Nurhadryani,Fajar Delli Wihartiko,Irman Hermadi,Feriadi Feriadi

doi:10.29207/resti.v4i1.1520

Eneng Tita Tosida, Yani Nurhadryani Yani Nurhadryani + Show 3 more

Open Access

https://doi.org/10.29207/resti.v4i1.1520

Copy DOI

Abstract

Rice is the main commodity in Indonesia, both for consumption and production. Rice production data are available at the Badan Pusat Statistika and at Kementrian Pertanian. The data is used to build a large data management model for Indonesia's rice trade. The model development strategy is done through analyzing agriculture big data analytic that is equipped with descriptive analysis, evaluation, predictive and prescriptive. The models and designs that are built discuss business processes, stakeholder networks and network management. Descriptive analysis results in the form of grouping and visualization of rice data. The results of the diagnostic process using classification approach produce a decision tree to see the results of the level of production in a province. In the predictive process produces a linear regression model to predict the results of the following year's production as well as in the analysis.

Highlights

Rice is the main commodity in Indonesia, both for consumption and production
Tujuan analitik preskriptif Hasil clustering dengan menggunakan k-means dapat adalah untuk secara harfiah menentukan tindakan dilihat pada Gambar 3
Diakses melalui of Blockchain Technology in Agriculture and Food Supply http://www.interacademies.org/File

Summary

Produksi Rasio 0 – 1000000 Dalam Ton

Rasio 0 – 1000000 Dalam Hektar memprediksi tren masa depan, yang membuatnya Clustering digunakan untuk melihat pengelompokan menjadi alat yang berharga untuk perkiraan. D. Analitik preskriptif, Tujuan analitik preskriptif Hasil clustering dengan menggunakan k-means dapat adalah untuk secara harfiah menentukan tindakan dilihat pada Gambar 3. Apa yang harus diambil untuk menghilangkan menggunakan algoritma k-means. Adapun visualisasi hasil clustering secara keseluruhan ditunjukkan pada Gambar 5. 2.144 tinggi, tinggi, sedang, rendah dan sangat rendah Kategorisasi sedang ada pada provinsi dengan luas lahan antara 306.123 – 731.744. Sedangkan untuk provinsi dengan luas lahan di atas 731.7745 masuk dalam kategorisasi tinggi. Hasil clustering berdasarkan trend dan luas wilayah ditampilkan pada Gambar 4

30 Sulawesi Barat

Diagnostic Analytics

Predictive Analytics

34 Jawa Timur

Proses dan Manajerial

Kesimpulan