Data produktivitas padi dibutuhkan untuk mendapatkan informasi tentang capaian target pembangunan berkelanjutan (Sustainable Development Goals - SDGs). Data produktivitas padi diperoleh dari hasil survei ubinan rutin Badan Pusat Statistik (BPS). Permasalahan pada pelaksanaan survei adalah pengukuran bobot gabah pada petak lahan terpilih tidak selalu berhasil, terutama di wilayah dengan aksesibilitas yang sulit. Hal ini menyebabkan beberapa data hilang. Salah satu solusi untuk mengatasi masalah tersebut adalah menduga bobot gabah per plot ubinan berdasarkan peubah yang mudah diperoleh. Penelitian ini dilakukan di Kalimantan Tengah pada tahun 2019, bertujuan untuk mengevaluasi kinerja model Quantile Regression Forest (QRF) dalam menduga berat gabah atau produktivitas padi per 2,5 x 2,5 m2. Metode yang diperbandingkan adalah Model Linier (LM), QRF, Geo-QRF, dan Geo-QRF reparameterisasi. Hasil penelitian menunjukkan peubah varietas, pupuk, dan titik koordinat dapat digunakan untuk menduga bobot gabah pada survei ubinan di Kalimatan Tengah. Model Geo-QRF dengan reparameterisasi peubah pupuk terbukti mampu menduga bobot gabah lebih baik dibanding model linier karena menurunkan RMSE (Root Mean Square Error) dan meningkatkan nilai korelasi antara data aktual dengan data dugaan. Hasil simulasi menunjukkan apabila data hilang tersebar secara acak (data hilang tipe III) maka angka rata-rata gabah yang dihasilkan mirip dengan rata-rata bobot gabah pada tingkat respon survei 100%. Berbeda dengan jenis data hilang tipe I dan II, rata-rata bobot gabah yang dihasilkan dapat menjadi uderestimate atau overestimate jika tidak ditangani. Prediksi bobot gabah menggunakan model Geo-QRF dengan reparameterisasi dapat memperbaiki masalah data hilang dengan hasil yang lebih mirip dengan rata-rata bobot gabah pada tingkat respon 100%. BPS diharapkan mempertimbangkan dan mengkaji solusi yang diajukan dalam penelitian ini.Â
Copyrights © 2020