PREDIKSI KEBUTUHAN PANGAN DAN ANALISIS TREN KONSUMSI MENGGUNAKAN MACHINE LEARNING DAN DATA ANALYTICS PADA KAJIAN BADAN PUSAT STATISTIK KABUPATEN LABUHANBATU

ARNES DIAN PUTRI HAREFA, NPM 2208100015 (2026) PREDIKSI KEBUTUHAN PANGAN DAN ANALISIS TREN KONSUMSI MENGGUNAKAN MACHINE LEARNING DAN DATA ANALYTICS PADA KAJIAN BADAN PUSAT STATISTIK KABUPATEN LABUHANBATU. Skripsi thesis, Universitas Labuhanbatu.

	Text COVER.pdf Download (896kB)
	Text BAB I.pdf Download (296kB)
	Text BAB II.pdf Download (417kB)
	Text BAB III.pdf Download (610kB)
	Text BAB IV.pdf Download (5MB)
	Text BAB V.pdf Download (227kB)
	Text DAFTAR PUSTAKA.pdf Download (196kB)
	Text LAMPIRAN.pdf Download (443kB)

Abstract

Penelitian ini bertujuan untuk menganalisis tren konsumsi pangan serta memprediksi kebutuhan pangan masyarakat di Kabupaten Labuhanbatu dengan memanfaatkan data pengeluaran konsumsi pangan per kapita yang bersumber dari Badan Pusat Statistik. Metode yang digunakan adalah pendekatan kuantitatif dengan mengombinasikan analisis deskriptif dan prediktif. Analisis tren dilakukan melalui pendekatan data analytics, sedangkan prediksi kebutuhan pangan dilakukan menggunakan metode machine learning, yaitu Linear Regression dan Naïve Bayes. Data yang digunakan dalam penelitian ini merupakan data sekunder periode 2020–2025 yang meliputi pengeluaran konsumsi pangan berdasarkan kelompok komoditas, konsumsi kalori, konsumsi protein, serta jumlah penduduk. Hasil penelitian menunjukkan bahwa pengeluaran konsumsi pangan per kapita di Kabupaten Labuhanbatu mengalami kecenderungan meningkat setiap tahunnya. Model Linear Regression mampu menghasilkan prediksi kebutuhan pangan pada periode berikutnya dengan tingkat ketepatan yang cukup baik berdasarkan pola data historis. Di sisi lain, metode Naïve Bayes dimanfaatkan untuk mengelompokkan tren konsumsi pangan dan menunjukkan tingkat akurasi yang cukup memadai. Temuan penelitian ini mengindikasikan bahwa penerapan machine learning yang dikombinasikan dengan data analytics mampu memberikan gambaran yang lebih menyeluruh dan bersifat prediktif terkait kebutuhan pangan di tingkat daerah. Oleh karena itu, hasil penelitian ini diharapkan dapat menjadi bahan pertimbangan bagi pemerintah daerah dalam menyusun kebijakan serta perencanaan pangan yang lebih efektif dan berkelanjutan. Kata Kunci : Konsumsi Pangan, Kebutuhan Pangan, Machine Learning, Naïve Bayes, Prediksi ================================================================================================= This study analyzes food consumption trends and forecasts regional food demand in Labuhanbatu Regency using per capita food expenditure data obtained from the Central Statistics Agency. A quantitative framework integrating descriptive analytics and predictive modeling is employed. Trend patterns are examined using data analytics techniques, while food demand is predicted using machine learning models, specifically Linear Regression and Naïve Bayes. The study utilizes secondary data from 2020–2025, including food expenditure by commodity groups, calorie intake, protein consumption, and population data. The results reveal a consistent upward trend in per capita food expenditure over time. The Linear Regression model demonstrates reliable predictive performance in estimating future food demand based on historical patterns. In addition, the Naïve Bayes model effectively classifies consumption trends and achieves satisfactory accuracy. These findings highlight the effectiveness of integrating machine learning and data analytics in providing a comprehensive and predictive assessment of regional food demand. The study contributes to data-driven decision-making and offers practical insights for local governments in developing more effective and sustainable food policies. Keywords : Food Consumption, Food Demand, Machine Learning, Linear Regression, Naïve Bayes, Forecasting

Item Type:	Thesis (Skripsi)
Uncontrolled Keywords:	Konsumsi Pangan, Kebutuhan Pangan, Machine Learning, Naïve Bayes, Prediksi ============================ Food Consumption, Food Demand, Machine Learning, Linear Regression, Naïve Bayes, Forecasting
Subjects:	H Social Sciences > HA Statistics Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software T Technology > T Technology (General)
Divisions:	Fakultas Sains Dan Teknologi > Teknologi Informasi
Depositing User:	Unnamed user with email repository@ulb.ac.id
Date Deposited:	30 Apr 2026 04:54
Last Modified:	30 Apr 2026 04:54
URI:	http://repository.ulb.ac.id/id/eprint/2198

Actions (login required)

View Item