MODEL PREDIKSI PRODUKSI PERIKANAN TANGKAP DI PELABUHAN PERIKANAN KEJAWANAN CIREBON JAWA BARAT DENGAN PYTHON

Abstract

Abstrak

Perikanan berperan penting dalam ketahanan pangan dan ekonomi masyarakat pesisir di Indonesia. Fluktuasi produksi akibat perubahan iklim dan faktor ekonomi membuat peramalan hasil tangkapan menjadi penting untuk menjaga ketersediaan ikan dan stabilitas harga. Penelitian ini membangun model prediksi produksi ikan lemuru, pari, dan tenggiri di Pelabuhan Perikanan Nusantara (PPN) Kejawanan, Cirebon, menggunakan regresi polinomial orde 4 dengan Python. Data produksi perikanan periode 2016–2020 dari TPI Higienis PPN Kejawanan digunakan dalam analisis. Hasil penelitian menunjukkan bahwa model regresi polinomial orde 4 mampu menangkap pola fluktuasi produksi dengan baik. Persamaan regresi yang diperoleh untuk ikan lemuru adalah y=-22,25x⁴ + 3156x³ -1543x² +2979x-1631, Ikan pari dengan nilai y=23,8x⁴ - 265,3x³ -984,1x² - 1379x + 776,1, dan Ikan tenggiri dengan nilai y=-17,4x⁴ + 222,8x³ - 990,1x² +1737x _ 820,2. Model ini menunjukkan bahwa produksi ikan mengalami tren naik turun setiap tahunnya dengan pola non-linear. Hasil penelitian diharapkan dapat membantu pengelolaan sumber daya perikanan yang lebih efektif serta mendukung perencanaan dan kebijakan di PPN Kejawanan.

Kata Kunci: Peramalan, produksi ikan, regresi polinomial orde 4, regresi polynomial, Python

Abstract

Fisheries play an important role in food security and the economy of coastal communities in Indonesia. Fluctuations in production due to climate change and economic factors make forecasting catches important to maintain fish availability and price stability. This study builds a prediction model for the production of lemuru, stingray, and mackerel at the Nusantara Fisheries Port (PPN) Kejawanan, Cirebon, using 4th-order polynomial regression with Python. Fisheries production data for the period 2016–2020 from the Hygienic TPI PPN Kejawanan were used in the analysis. The results showed that the 4th-order polynomial regression model was able to capture the pattern of production fluctuations well. The regression equation obtained for lemuru fish is y=-22,25x⁴ + 3156x³ -1543x² +2979x-1631, Stingray with the value y=23,8x⁴ - 265,3x³ -984,1x² - 1379x + 776,1, and mackerel with the value y=-17,4x⁴ + 222,8x³ - 990,1x² +1737x _ 820,2. This model shows that fish production experiences an up and down trend every year with a non-linear pattern. The results of the study are expected to help manage fisheries resources more effectively and support planning and policies in PPN Kejawanan.

Keywords: forecasting, fish production, 4th order polynomial regression, polynomial regression, Python