Prediksi Harga Kelapa Sawit Dan Kesejahteraan Petani Di Indonesia Menggunakan Regresi Linear Dan K-Means Clustering

Abstract

Fluktuasi harga komoditas global seringkali tidak berbanding lurus dengan tingkat kesejahteraan petani di tingkat tapak akibat adanya disparitas biaya hidup antar wilayah dan skala kepemilikan lahan yang beragam. Penelitian ini mengembangkan arsitektur sistem cerdas untuk memitigasi dampak ketidakpastian tersebut. Mengingat adanya ketimpangan kualitas data historis antar provinsi, penelitian ini menerapkan strategi Regresi Linear Adaptif (Adaptive Linear Regression) dengan mekanisme seleksi hibrida. Strategi ini bekerja sebagai jaring pengaman (Fail-Safe), di mana sistem secara otomatis menyeleksi antara Model Lokal (spesifik provinsi) dan Model Global (agregat nasional) berdasarkan ambang batas akurasi (R2 > 0.5). Pendekatan ini menjamin ketersediaan proyeksi harga yang valid bahkan pada wilayah dengan data yang jarang (sparse) tanpa memaksakan model lokal yang bias. Selanjutnya, pemetaan stratifikasi sosial-ekonomi dilakukan menggunakan algoritma K-Means Clustering yang dikalibrasi ulang dengan variabel Biaya Hidup Dinamis berbasis data Pengeluaran Per Kapita BPS. Hasil pengujian menunjukkan bahwa strategi seleksi model adaptif mampu mempertahankan konsistensi prediksi dengan rata-rata R2 agregat sebesar 0.8727. Evaluasi klasterisasi (Silhouette Score 0.6477) mengungkap temuan kritis bahwa predikat 'Sejahtera' bersifat relatif; petani lahan sempit (<2 hektar) di wilayah berbiaya tinggi (seperti Riau) teridentifikasi tetap rentan secara struktural meskipun harga TBS sedang dalam tren positif.