=LDR  00000nam  2200000   4500
=001  INLIS000000001195696
=005  20260417082202
=035  ##$$a 0010-0426000841
=245  1#$$a ARTIFICIAL NEURAL NETWORK UNTUK MEMPREDIKSI PRODUKSI TANAMAN MENGGUNAKAN METODE BACKPROPAGATION DI DINAS PERTANIAN DAN PANGAN KABUPATEN MAGELANG PROVINSI JAWA TENGAH : $b STUDI PADA PRODUKSI TAMANAN CABAI /$c Sakti Wira Adi Utomo
=100   #$$a Sakti Wira Adi Utomo
=300  ##$$a 15 : $b ilus
=856  ##$$a http://eprints.ipdn.ac.id/id/eprint/22053
=700   #$$a Rina Wahyuni
=260  ##$$a Sumedang :$b Institut Pemerintahan Dalam Negeri,$c 2025
=082  ##$$a 631.659 826
=084  ##$$a 631.659 826 SAK a
=650  #4$$a Produksi tanaman hortikultura
=520  ##$$a Permasalahan/Latar Belakang (GAP): Dinas Pertanian dan Pangan Kabupaten Magelang menghadapi tantangan dalam menyediakan data produksi cabai yang akurat dan mendetail. Hal ini menjadi persoalan penting mengingat Kabupaten Magelang merupakan salah satu sentra penghasil cabai terbesar di Jawa Tengah, dengan total produksi mencapai 880.983,19 kuintal pada tahun 2024. Keterbatasan sumber daya, khususnya dalam hal perhitungan produksi di lapangan, menjadi hambatan utama dalam menghitung besaran produksi secara rutin di seluruh wilayah kabupaten. Padahal, data produksi cabai sangat krusial sebagai dasar pengambilan kebijakan dalam pengendalian pasar dan stabilisasi harga pangan. Tujuan: Untuk menjawab permasalahan tersebut, penelitian ini bertujuan membangun model prediksi produksi cabai menggunakan metode Artificial Neural Network (ANN) dengan algoritma Backpropagation, guna membantu estimasi produksi secara lebih efisien dan akurat. Metode: Metode yang digunakan dalam penelitian ini adalah metode kualitatif, dengan pengumpulan data melalui dokumentasi dari Dinas Pertanian dan Pangan Kabupaten Magelang, situs web SIPEDAS, serta wawancara (12 Informan) Hasil/Temuan: Hasil penelitian menunjukkan bahwa model ANN yang dibangun menggunakan Altair AI Studio berhasil menghasilkan prediksi yang baik. Arsitektur terbaik yang diperoleh adalah 12-25-1 untuk produksi cabai besar, dan 12-15-1 untuk cabai rawit. Kesimpulan: Model ini terbukti mampu membantu perencanaan langkah strategis stabilisasi pasokan dan harga pangan oleh instansi terkait. Penelitian ini juga merekomendasikan beberapa pengembangan lanjutan untuk meningkatkan kualitas model, antara lain dengan mengeksplorasi arsitektur model yang lebih variatif, menambahkan atribut pendukung seperti luas lahan dan curah hujan, serta membandingkan performa ANN dengan algoritma prediksi lainnya.