LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, noviembre, 2024, Volumen V, Número 6 p 986.

DOI: https://doi.org/10.56712/latam.v5i6.3061

Modelo predictivo basado en algoritmos de machine learning
para la estimación del peso de racimos de banano en una

hacienda
Predictive model based on machine learning algorithms for estimating the

weight of banana bunches on a farm

Pedro Santiago Muñoz Torres
juniorpsmt@gmail.com

Universidad Estatal de Milagro
Milagro – Ecuador

Artículo recibido: 13 de noviembre de 2024. Aceptado para publicación: 27 de noviembre de 2024.

Conflictos de Interés: Ninguno que declarar.

Resumen

La agricultura en el ámbito Bananero no se ha visto beneficiada fuertemente por los diferentes
avances tecnológicos en materia de Ciencia de Datos y Machine Learning, estas técnicas ayudan a
entender los patrones y las dinámicas que sigue sus datos, de esta forma, el objetivo principal de esta
investigación es utilizar técnicas de Machine Learning para predecir pesos de racimos, para
posteriormente realizar un análisis que le permita a un Productor Bananero tomar las mejores
decisiones para sus plantaciones y obtener una buena productividad. En primera instancia de este
trabajo investigativo consistió en recopilar todos los datos necesarios para entrenamiento y validación
de los modelos de predicción para la variable peso (peso del racimo). Los datos son preprocesados
estadísticamente, se entrenan y se validan los modelos con el programa R Studio, en este caso se
utilizó el algoritmo Random Forest, y el Xgboost que resultó ser más eficiente en la predicción de los
pesos de racimos, aunque no hubo mucha diferencia entre estos dos algoritmos, se eligió este último
como el mejor algoritmo de predicción por el resultados de sus indicadores de métricas de evaluación
del error como: Error Absoluto Medio (MAE) para Random Forest fue de 13.2 y en el modelo Xgboost
fue de 13.1 por lo consiguiente se tiene una mínima diferencia entre los dos modelos. Posteriormente
se espera realizar muchas más combinaciones con diferentes variables en torno a la producción
Bananera, para una mejor eficiencia de este modelo de predicción de peso de racimos de banano se
necesitaría que las plantaciones se encuentren monitoreadas por sensores IOT y dependiendo su
naturaleza obtener diferentes variables y obtener conclusiones relacionadas a una mayor
productividad de las Haciendas Bananeras.

Palabras clave: productividad, machine learning, random forest, xgboost, regression, IOT

Abstract

Agriculture in the Banana field has not been strongly benefited by the different technological advances
in Data Science and Machine Learning, these techniques help to understand the patterns and dynamics
that your data follows, in this way, the main objective of This research is to use Machine Learning
techniques to predict bunch weights, to subsequently carry out an analysis that allows a Banana
Producer to make the best decisions for their plantations and obtain good productivity. In the first
instance of this investigative work, it consisted of collecting all the necessary data for training and
validation of the prediction models for the weight variable (bunch weight). The data are statistically

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, noviembre, 2024, Volumen V, Número 6 p 987.

preprocessed, the models are trained and validated with the R Studio program, in this case the Random
Forest algorithm was used, and the Xgboost, which turned out to be more efficient in predicting the
cluster weights, although there was not much difference between these two algorithms, the latter was
chosen as the best prediction algorithm due to the results of its error evaluation metric indicators such
as: Mean Absolute Error (MAE) for Random Forest was 13.2 and in the model Xgboost was 13.1,
therefore there is a minimal difference between the two models. Subsequently, it is expected to make
many more combinations with different variables around Banana production. For better efficiency of
this banana bunch weight prediction model, it would be necessary for the plantations to be monitored
by IOT sensors and depending on their nature, obtain different variables. and obtain conclusions
related to greater productivity of Banana Farms.

Keywords: productivity, machine learning, random forest, xgboost, regression, IOT

Todo el contenido de LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades,
publicado en este sitio está disponibles bajo Licencia Creative Commons.

Cómo citar: Muñoz Torres, P. S. (2024). Modelo predictivo basado en algoritmos de machine learning
para la estimación del peso de racimos de banano en una hacienda. LATAM Revista Latinoamericana
de Ciencias Sociales y Humanidades 5 (6), 986 – 1015. https://doi.org/10.56712/latam.v5i6.3061

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, noviembre, 2024, Volumen V, Número 6 p 988.

INTRODUCCIÓN

El Mundo Bananero le urge la necesidad de innovar sus procesos de producción para ser más eficientes
y competitivos, con el buen uso de los recursos naturales y materiales se podrá disminuir costos y
aumentar su productividad. Pero para lograr esta eficiencia, se requiere de nuevas tecnologías de
análisis de información que permitirán integrarse y así se tomarán decisiones a corto y largo plazo. El
banano es el principal producto agropecuario de exportación en el Ecuador, cuyos procesos se ha ido
mejorando en todo ámbito, desde la siembra, cosecha y exportación como los controles fitosanitarios
y de la fertilización, con el objetivo de aumentar los rendimientos de la fruta. (León Serrano et al., 2021)

Según el Informe de la Organización para la Administración y Agricultura de las Naciones Unidas (FAO,
por sus siglas en inglés) la implementación de nuevas tecnologías en la agricultura podría contribuir a
mejorar las condiciones de hambre y de pobreza extremas. Estas nuevas tecnologías como el
aprendizaje de máquina a través de sus algoritmos de predicción en la cual va tomando fuerza y poco
a poco estas diferentes opciones se tendría la implementación de agricultura inteligente. (Chlingaryan
et al., 2018)

El Productor que use de estas avanzadas tecnologías está demandando algo más, que es la
inteligencia integrada de estos nuevos sistemas en la cual estas tecnologías necesitan de una trama
que las interconecte e irremediablemente la solución viene de la mano del análisis de datos y si no se
aplica dichas instancias nos daremos cuenta que poco sirve almacenar gran cantidad de información
si no sabemos qué hacer con ella. Las empresas lo saben y están poniendo mucho esfuerzo en
implementar y desarrollar sistemas automatizados de análisis de datos con inteligencia
Artificial/Machine Learning que permitan extraer información realmente útil para que el productor o
Administrador, pueda tomar mejores decisiones agrícolas y comerciales.

El Machine Learning, es una técnica que permite detectar patrones “a bajo nivel” en miles de datos
individuales y los modelos predictivos es una de las potencias destacables, ya que facilitan la
automatización de procesos, la toma de decisiones y el continuo aprendizaje basado en datos, en la
cual estos sistemas esta diseñados para ir mejorando automáticamente con el tiempo y formar partes
en las diferentes mejoras informáticas de la compañía.

Por lo tanto, para acelerar el rendimiento de los cultivos, se han propuesto diferentes técnicas de ML
en todo el mundo y en el presente proyecto se muestra un resumen de estos en diferentes enfoques,
específicamente son los algoritmos supervisados de Machine Learning de regresión, estos algoritmos
toman en cuenta varios factores y que son de distinta naturaleza o variable para dar así los mejores
resultados de predicción aplicados en datos de producción Bananera.

Finalmente, una de las grandes razones que impulsan la realización de este proyecto es el reto de
incorporar estrategias tecnológicas al sector Bananero, que le permitirá no solamente a esta Hacienda
Bananera sino a pequeños y grandes productores, el acceso a nuevas herramientas para la toma de
decisiones y así puedan tener un crecimiento organizacional, económico y tecnológico estable y
notable en dicho sector es decir que por medio del desarrollo de este tipo de proyectos se aporte el
conocimiento del negocio basado en la analítica de datos y Machine Learning ayudando el crecimiento
de las capacidades del sector y por ende en el país.

Planteamiento del problema

El Sector Bananero y la agricultura se considera un pilar importante en muchos países por ser la
principal fuente de empleo y en su mayoría la agricultura la realizan en forma tradicional, en la cual los
agricultores y productores son reacios a utilizar tecnologías avanzadas mientras cultivan y cosechan,
debido, a la falta de conocimiento, el alto costo o porque no son conscientes de las ventajas de estas

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, noviembre, 2024, Volumen V, Número 6 p 989.

nuevas tecnologías informáticas. La falta de conocimiento para el buen rendimiento agrícola, cosechas
erróneas tienden a la pérdida y agrega un costo adicional. Según el famoso dicho “La información es
poder”, llevar un registro de la información sobre los cultivos, como los parámetros de producción,
labores agrícolas, el medio ambiente y el mercado puede ayudar a los agricultores a tomar mejores
decisiones y aliviar los problemas relacionados con la agricultura.

Cabe mencionar que actualmente, poco a poco las Haciendas Bananeras en el Ecuador y
especialmente la Hacienda San Humberto ha implementado Sistemas BI en diferentes áreas, como la
información en línea de parámetros de producción de cada día de proceso que intervienen las
siguientes variables de entrada: peso de los racimos, cantidad de manos por racimos, calibración de
dedos, edad de cosecha de cada racimo, # de cuadrilla, # de lotes y por otro lado los pesos de las cajas
procesadas, toda esta información se encuentra parametrizados con indicadores establecidos en un
Dashboard.

Es muy importante resaltar que esta información es absoluta, es decir cada característica del racimo
es ingresado al sistema y solamente el valor de la variable peso es calculada electrónicamente por la
balanza de racimos y las demás variables sí son ingresadas manualmente por experticia del operador.

En la Hacienda Bananera San Humberto se realizan proyecciones o estimaciones de producción
semanal con todos los parámetros o indicadores antes mencionados mediante una plantilla de Excel
y por ende no cuenta con tecnologías predictivas para la realización de la misma.

Con el análisis de la información y la aplicación de modelos predictivos de machine learning sobre los
datos de parámetros de producción se mejoran estas proyecciones ya que un factor elemental en las
estimaciones de producción la variable más importante es el peso del racimo.

Pregunta general de investigación

● ¿Cuál es el mejor modelo de Machine Learning para obtener una buena predicción de Pesos
de Racimos según los Datos de Parámetros de Producción para mejorar la productividad de la
Hacienda Bananera?

Preguntas específicas de investigación

● ¿Cuáles serán las variables de alta incidencia para los modelos de predicción de machine
learning en torno a los parámetros de producción bananera?

● ¿Qué modelos de Machine Learning será el óptimo para obtener una buena predicción de pesos
de racimos según los datos de parámetros de Producción Bananera?

● ¿Sera Suficiente los datos de los Parámetros de Producción de las Haciendas Bananeras para
el análisis y la realización de proyecciones de producción aplicando los modelos de predicción
con Machine Learning?

Objetivo General

● Establecer un Modelo Predictivo basado en algoritmos de Machine Learning que permitan
obtener proyecciones más exactas de peso de racimos de banano

Objetivos Específicos

● Describir las variables relevantes que influyen en el peso de un Racimos de banano y construir
una base de datos para el modelo predictivo. Determinar los diferentes tipos de algoritmos de
Machine Learning para el desarrollo del modelo predictivo de pesos de racimos. Seleccionar 2

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, noviembre, 2024, Volumen V, Número 6 p 990.

algoritmos de Machine Learning e implementar en el software R para comprobar y elegir el de
mejor resultado.

Alcance

La finalidad de obtener un modelo predictivo de Machine Learning aplicado a los datos de parámetros
de producción en la Hacienda Bananera San Humberto permite analizar e identificar el mejor algoritmo
que mediante sus métricas de evaluación obtendremos los mejores resultados en las proyecciones de
pesos de racimos y también ayuda a tener una visión más clara en la producción para semanas futuras
dando lugar a posibles incrementos en la productividad de la Hacienda Bananera. Para aquello se
obtiene la base de datos del sistema de BI de parámetros de producción que tiene la Hacienda y
mediante el entorno del lenguaje de programación R se comienza a trabajar y verificar los datos, en el
cual una vez que esta Data se encuentra funcional, se aplica los diferentes algoritmos de Machine
Learning y se crea el modelo de predicción de peso de racimos.

Se establece un modelo escalable, que pueda ser fácilmente implementado en las diferentes
Bananeras de la región que contengan implementados sistemas de BI de recolecta de datos en el área
de producción.

Entre la Limitaciones mencionamos las Siguientes

El operador de la balanza de pesos de racimos, ingresa incorrectamente la información al Sistema BI
de parámetros de producción.

Solamente la variable peso del racimo es calculada de forma electrónica, las demás variables son
ingresadas manualmente.

El personal técnico y administrativo de la Hacienda no está capacitado para trabajar con herramientas
tecnológicas predictivas.

Por razones atípicas en el día del proceso hay fallas técnicas tanto en el dispositivo de la Balanza o
celular, en la cual no vamos a obtener datos reales de producción en el Sistema.

DESARROLLO

Se ha realizado una búsqueda de distintos antecedentes nacionales e internacionales relacionados al
tema de investigación presentado. Así como, la definición de los términos y palabras clave del proyecto
de investigación. González and Hernandez (2020), presentaron un sistema, que mediante la
implementación de técnicas de algoritmos de machine learning contribuyen a un sistema de
identificación de imágenes en tiempo real que daba lugar a la supervisión, identificación y clasificación
de la calidad de productos. Esta investigación permitió implementar algoritmos de clasificación y
enviar los resultados en tiempo on line. Las frutas utilizadas para este estudio fueron naranjas, banano,
plátano y manzanas.

La mayoría de los agricultores toman estas decisiones basándose en sus creencias ancestrales,
observaciones y propias experiencias. Sin embargo, adquirir experiencia lleva mucho tiempo y por lo
general no es práctico observar cada actividad en una granja comercial o Hacienda. Para obtener más
información sobre sus granjas, los agricultores confían cada vez más en los datos y del mismo modo
recopilan y analizan la mayor cantidad de datos posible. Las granjas recopilan varios tipos de datos
utilizando varios tipos de sensores (Degfie et al., 2019). Obviamente, la mayoría de los agricultores no
son capaces de procesar los datos sin procesar por sí mismos y confían en las funciones disponibles
en los sistemas de información de gestión agrícola que utilizan para administrar y procesar los datos.

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, noviembre, 2024, Volumen V, Número 6 p 991.

En el pasado, los sistemas de información agrícola (SIA), solían ser simples sistemas de gestión de
recursos agrícolas, pero hoy en día, algunos de estos sistemas son capaces de procesar datos de
sensores detallados y proporcionar amplias funcionalidades de apoyo a la toma de decisiones (Cantero
Díaz et al., 2019). Sin embargo, el potencial completo de los datos de varios sensores solo se puede
utilizar cuando los SIA comienzan a incorporar algoritmos de aprendizaje automático para respaldar o
automatizar los procesos de toma de decisiones en el sector agrícola.

Antes de que un modelo de predicción se utilice en la práctica para respaldar la toma de decisiones,
debe validarse. Por lo tanto, una vez que se construye el modelo de predicción, se compara con un
conjunto de datos de validación que contiene características y los resultados correspondientes que no
se usaron en el entrenamiento del modelo para verificar qué tan bien funciona el modelo. En una
situación ideal, el modelo proporciona un rendimiento similar al del conjunto de entrenamiento. Los
modelos que funcionan bien en las pruebas se pueden utilizar en la práctica (Rezk et al., 2021). Si bien
el proceso de capacitación, prueba y uso de modelos ML es sencillo, la creación de un modelo de
predicción altamente preciso presenta múltiples desafíos, como qué funciones usar, qué algoritmos
elegir y cómo manejar grandes cantidades de datos.

Lo antedicho se evidencia en varios documentos, por ejemplo el estudio de- nominando
“Implementación de un módulo de análisis estadístico y predictivo para agricultura utilizando big data
y machine learning, integrado al sistema iotmach, en Ma- chala”.(Herrera-Díaz, 2016), tiene como
principal objetivo, hacer una implementación de un módulo de análisis estadístico y predictivo para la
agricultura, para ello utiliza el Big Data y Machine Learning integrado exclusivamente al IOTMACH,
utilizando lenguaje R de programación, con el exclusivo propósito de poder contar con una nueva
herramienta, que permitirá la realización de predicciones, clasificaciones, segmenta- ción o agrupación
de los diferentes datos que satisfagan necesidades o problemas que surgen dentro de un negocio.

Las organizaciones líderes adoptan una cultura basada en datos, realizando un cambio sutil pero
significativo en los procesos de toma de decisiones, esta evolución está marcada por usuarios que
mejoran los conjuntos de habilidades para que puedan integrar herramientas de análisis en la forma
habitual de trabajar para descubrir información estratégica y los principales desafíos en el rendimiento
de los cultivos pueden resolverse para mostrar el camino y obtener ganancias (Chandraprabha and
Dhanaraj, 2020). Aquellas empresas que obtienen el mayor valor de la analítica aprenden cómo lograr
el equilibrio preciso entre el uso de la analítica y los instintos gerenciales, así como también cómo
administrar las reglas comerciales junto con la analítica.

El análisis predictivo a menudo se asocia con big data y ciencia de datos, las empresas de hoy poseen
bases de datos transaccionales, archivos de registro de equipos, imágenes, videos, sensores u otras
fuentes de datos. Para obtener información de estos datos, los científicos de datos utilizan algoritmos
de aprendizaje profundo y aprendizaje automático para encontrar patrones y hacer predicciones sobre
eventos futuros, estos incluyen regresión lineal y no lineal, redes neuronales, máquinas de vectores de
soporte y árboles de decisión. Los aprendizajes obtenidos a través del análisis predictivo se pueden
usar más dentro del análisis prescriptivo para impulsar acciones basadas en información predictiva
(Cedric et al., 2022).

Machine Learning (ML) es un campo de investigación que se centra formalmente en los sistemas de
aprendizaje y la teoría, el rendimiento y las propiedades de los algoritmos. Es un campo altamente
interdisciplinario basado en diferentes áreas como la inteligencia artificial, la teoría de la optimización,
la teoría de la información, la estadística, la ciencia cognitiva, el control óptimo y muchas otras
disciplinas científicas, de ingeniería y matemáticas. Debido a sus muchas aplicaciones, ML ha cubierto
casi todos los dominios científicos, por lo que tiene un impacto significativo en la ciencia y la sociedad
(Allouhi et al., 2021).

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, noviembre, 2024, Volumen V, Número 6 p 992.

En este trabajo investigativo se aplica dos modelos predictivos supervisados de regresión en la cual
en base a su eficiencia se elegirá el mejor, tenemos el modelo de predicción por Randon Forest y el
modelo de predicción XGBoost.

Random forest o Bosques Aleatorios es un algoritmo de Machine Learning muy utilizado entre los
científicos de datos, presenta un sinnúmero de ventajas en comparación con otros algoritmos de
predicción. Este algoritmo es muy popular por su capacidad de combinar los resultados de sus
diferentes árboles para obtener un resultado final más confiable, por ejemplo, se tiene la predicción del
rendimiento de los cultivos en la cual se usó 3 algoritmos y se crearon los modelos. En el primer intento,
el que sobresalió fue un modelo de red neuronal, con un Error Cuadrático Medio de 0.0081, después se
tiene el modelo Random Forest con un Error Cuadrático Medio de 0.0004, y por último el modelo de
Arboles de decisión con una métrica de 0.0168, se observa una buena métrica en la medición de errores
de tipo de regresión, donde su potencial predictivo de Random forest fue del 95 % (Arteaga et al., 2020).

Xgboost es una técnica de machine learning que se basa en árboles de decisión, es el más usado en la
actualidad por su velocidad y el rendimiento, tiene un dual de resolución de modelos tanto lineal como
de aprendizaje de árboles entonces, lo que lo hace rápido es su capacidad para realizar cálculos
paralelos en una sola máquina, el uso del algoritmo Xgboost, utilizando los indicadores de evaluación
para seleccionar aquel modelo que permita obtener mejores pronósticos para tener una mejor pre
visualización de los datos y en base a esto, tomar las mejores decisiones (Villafuerte Chacnama, 2021).
En consecuencia, Swami et al. (2020), presentan un paper, en el cual comparan el poder predictivo de
los modelos Xgboost, Long Short Term Memory (LSTM) aplicados a una serie de ventas mensuales
extraída de la plataforma Kaggle, basándose en el Error cuadrático medio (RMSE), se encontró que el
modelo Xgboost brindaba mejores resultados que el modelo LSTM.

METODOLOGÍA

Tipo y diseño de investigación

La investigación predictiva como trabajo principal se ocupa de pronosticar resultados, consecuencias,
costos, es decir la dirección futura de los eventos investigados. Este tipo de investigación trata de
anteponerse al análisis de anomalías, políticas u otras entidades existentes para predecir algo que no
se ha intentado, probado o propuesto Pereyra (2020).

La investigación está basada en un enfoque cuantitativo, en función de identificar los factores o
parámetros de producción que rigen el proceso bananero. Meshram et al. (2021), la tecnología
Blockchain, la computación en la nube, Internet de las cosas (IoT), el aprendizaje automático (Machine
Learning) y el aprendizaje profundo (Deep Learning), son las últimas tendencias emergentes en el
campo de la informática. Ya se ha utilizado en diferentes dominios como la sanidad, el cybercrimen, la
bioquímica, la robótica, la metrología, la banca, la medicina, la alimentación, etc., para resolver los
complejos problemas de los investigadores.

Según Ortega (2018), en el enfoque cuantitativo para comprobar una hipótesis se requiere de la
recolección de datos que permite mediante la medición numérica y el análisis estadístico, determinar
patrones de comportamiento y examinar teorías; así mismo afirman que si en una investigación no se
efectúa la manipulación intencional de variables y solo se limitan a observar los fenómenos en su
contexto original para analizarlos pertenecen a un tipo de investigación no experimental de enfoque
cuantitativo, ya que busca comparar diferentes metodologías de predicción mediante un criterio
empírico, el cual, se construye con información cuantificable, siguiendo un orden metodológico
riguroso y secuencial, tomando en cuenta información correspondiente a investigaciones previas como
punto de partida referencial, y generando un modelo que describa el comportamiento de la población
en estudio.

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, noviembre, 2024, Volumen V, Número 6 p 993.

En consecuencia, por tener las características expuestas anteriormente, la presente investigación es
no experimental de enfoque cuantitativo. (Ortega, 2018) indican que un diseño de investigación
transversal se caracteriza porque el proceso de recolección de los datos se lleva a cabo en un único
momento, en un determinado tiempo; así mismo tiene como propósito la descripción de representar y
analizar su influencia e interacción en un determinado momento, por lo tanto:

El diseño correspondió al transversal retrospectivo porque se trabajó con datos históricos de
parámetros de producción de la Hacienda Bananera San Humberto de la Provincia del Guayas cantón
Duran Zona 8, registrados marzo del 2021 hasta junio del 2022.

La población y la muestra

La población seleccionada es la Hacienda Bananera “San Humberto” ubicada en el Cantón Durán Zona
8 Ecuador, en la cual se obtuvo del sistema de BI (Inteligencia de Negocios) que permitirá recolectar
una gran cantidad de datos de parámetros de Producción con un total 498526 registros en el rango de
fechas que abarca desde marzo 2021 hasta junio 2022.

Características de la población. Es una hacienda bananera que queda ubicada a 11 kilómetros de la
ciudad de Durán en la zona 8 de Ecuador, su capacidad de producción es 2650 cajas por hectáreas
anual en la cual tiene contrato fijo con empresa exportadoras de Banano, cuenta con 204.1 hectáreas
de Producción Establecida, 6.2 Has como R1 y 11.11 Has como R0 que totaliza 221.41 hectáreas de
Producción, con una densidad de 1450 plantas por Has. La hacienda tiene 22 lotes y cada lote tiene
aproximadamente 10 hectáreas.

Dispone de una Fuerza Laboral de casi 200 colaboradores que se encuentra dividido en áreas
administrativas, agrícolas y de empacadora.

Técnicas de observación e instrumentos de recolección de datos

Bernal Pablo (2018) indica que, para evitar ambigüedades o sesgos en la recolección de datos, los
instrumentos deben ser revisados y avalados, cuyo requisito será, además de la validez sostenida del
estudio, la confiabilidad del instrumento elaborado por el investigador. Los criterios éticos de la
investigación se fundamentan en la explicación del carácter interpretativo del investigador y la
necesidad de dar sentido a las expresiones de los sujetos a partir de la calidad de las expresiones de
los hechos. De esta forma, el análisis de los hallazgos puede apoyarse en los planteamientos de
procesos específicos que pueden reforzar la validez y confiabilidad de los estudios cuantitativos.

La técnica que se utilizará para la obtención de la información para nuestra investigación, fue la
entrevista y el análisis documental. Se utilizó las métricas del modelo propuesto y se obtuvo el
indicador de Evaluación del Error necesario para medir el éxito de la investigación.

Entrevista

La entrevista fue realizada al Gerente General de Producción y el Analista de Producción. En esta etapa
de la investigación, a las personas encargadas sobre la producción de la Hacienda Bananera se les
propuso una serie de preguntas referente a buenas labores agrícolas y productividad bananera tanto
para el Gerente del área y el Analista de producción, tal como se presenta en el anexo de la página 71
de este trabajo de investigación.

El análisis documental

Es el instrumento por el cual se obtiene los datos primarios a través del personal entrevistado, se
obtuvo la información solicitada desde que la Hacienda implemento su Sistema de BI para llevar

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, noviembre, 2024, Volumen V, Número 6 p 994.

indicadores de los parámetros de producción. Las fuentes fueron una base de datos en hoja de cálculo
(Excel).

Operacionalización de las Variables

Tabla 1

Matriz de operacionalización de variables

Instrumentos

En este caso considerando los instrumentos validados y del Sistema de BI que tiene la Hacienda
Bananera San Humberto, la recolección de datos se realizaron desde el primer día que se implementó
este sistema en la cual obtenemos todos los datos de producción.

Para la elaboración de los modelos de utilizó el software R versión 4.2.0 (2022- 04-22 ucrt), contiene
herramientas específicas e inflexibles ya que dispone de una amplia variedad de técnicas estadísticas
(modelos lineales y no lineales, pruebas estadísticas clásicas, clasificación, agrupamiento y graficas
que permiten incluir todos los procesos para el análisis requerido en esta investigación, desde importar
las tablas excel que en este caso fueron obtenidas del Sistema de BI de Producción hasta validar los
modelos con herramientas como la matriz de confusión y el análisis de curvas ROC (receiver operating
characteristic curve) que viene a ser un método estadístico para precisar la exactitud de los modelo
incluyendo conceptos de sensibilidad y especificidad que permite evaluar y discriminar entre datos
correctamente predichos e incorrectamente predichos, como también validar los modelo de regresión
con técnicas de evaluaciones de errores como el Error Medio Absoluto (MAE), Error Cuadrático Medio
(MSE), Raiz cuadrada del error cuadrático medio (RMSE), Error Porcentual Absoluto Medio (MAPE).

Los campos para cada registro obtenidos de los instrumentos anteriores se detallan en la siguiente
tabla:

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, noviembre, 2024, Volumen V, Número 6 p 995.

Tabla 2

Campo de los datos de parámetros de producción

El preprocesamiento de datos son las transformaciones de los datos realizados con la finalidad de que
puedan admitir los algoritmos de machine learning y para que también puedan mejorar sus resultados.
El preprocesamiento de datos se debe realizar al inicio y luego aplicarse al conjunto de entrenamiento
y al de test o prueba. Esto es muy importante para no cambiar la condición de que ninguna información
procedente de las observaciones de test puede participar o influir en el ajuste del modelo. Algunos
pasos de preprocesamiento que más suelen aplicarse son: Imputación de valores ausentes
Estandarización de las variables numéricas Binarización de las variables cualitativas.

Kotu and Deshpande (2015) expresan que la visualización exploratoria, es el proceso de mostrar datos
en coordenadas visuales y que les permiten a los usuarios encontrar patrones y relaciones en los datos
y de esta manera comprender el comportamiento de un conjunto de datos de tamaño considerable; es
decir, en forma similar que las estadísticas descriptivas, son integrales en las etapas de
preprocesamiento y posprocesamiento.

Fase de entrenamiento

En la siguiente Fase se debe calificar de una manera acertada el error, y es por esta razón se necesita
tener un conjunto separado, de las que se conozca la variable objetivo, pero que el modelo no haya
reconocido, es decir, que no hayan participado en su ajuste. Con esta finalidad, se dividen los datos, en
un conjunto de entrenamiento y un conjunto de test o prueba. El tamaño aconsejado de las divisiones

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, noviembre, 2024, Volumen V, Número 6 p 996.

depende en gran medida de la base de datos datos disponibles y de la seguridad que se necesite en la
estimación del error, 70 %- 30 % suele dar buenos resultados.

Fase de análisis, evaluación

En este estudio para el desarrollo de cada uno de los modelos de predicción se utilizó el software R
que es una aplicación que no sólo ha permitido el desarrollo de cada uno de los modelos de predicción,
sino también fue muy útil para realizar el análisis estadístico descriptivo del comportamiento de los
atributos más importantes. Se encontró algunas técnicas para calificar los resultados de un algoritmo
en la de predicción de datos, entre ellos son las pruebas de bondad y ajuste, y es entonces al revisar
los modelos se recomienda que al realizar las pruebas se tome como referencia resultados históricos.
(Dadas et al., 2019)

Métricas de Evaluación

El objetivo de un modelo de aprendizaje automático, es aprender, desde un conjunto de datos, patrones
que permitan generalizar la predicción a datos nunca antes vistos. Para evaluar un modelo se divide el
conjunto original en partes, el set de entrenamiento, set de pruebas. El set de entrenamiento es usado
para “construir” el modelo (encontrar sus parámetros), el set de validación se usa para evaluar el
modelo entrenado con el set de entrenamiento, mientras se ajustan los parámetros del modelo en
entrenamiento, y por último el set de prueba se usa para ver qué tan bien lo hizo el modelo, con los
hyperparámetros ajustados, sobre datos no mencionados. Con la medición del rendimiento del modelo
predictivo y más aún si es un modelo de regresión su medición se basa en el error, estos ayudan a
tomar una decisión qué tan eficiente es el modelo prediciendo con nuevos datos o variables.
(Developers, 2021).

Error cuadrático medio (MSE). Es un indicador de medición más simple para la evaluación del modelo
de regresión donde y1 es el resultado real esperado y yˆi es la predicción del modelo.

En su cálculo esta ecuación predice para cada punto estimado es la diferencia cuadrada entre la
predicción y la variable objetivo y por último calcula el promedio de dichos valores. Si es resultado o la
cantidad es muy grande el modelo creado es malo, tampoco el resultado nunca da negativo y si en
algún momento es cero concluyéramos que el modelo es perfecto.

Error cuadrático medio (RMSE). Esta métrica de precisión RMSE se obtiene solo con la raíz cuadrada
de MSE, se introduce para hacer que la escala de los errores sea igual a la escala de los objetivos

Error absoluto medio (MAE). Una vez teniendo los resultados anteriores de la métrica se encuentra el
Mean Absolute Error (MAE), esta métrica obtiene el promedio de los errores de cada predicción entre
lo predicho y lo real. Es decir, esta métrica es muy importante porque permite tener un mayor control
sobre el error promedio que tiene el algoritmo sobre lo real y lo estimado. El Error medio Absoluto
trabaja de manera lineal, lo que significa que todas las diferencias individuales se ponderan por igual
en el promedio

Coeficiente de determinación R2. Como parte Final el coeficiente de determinación es una métrica muy
conocida en los problemas de regresión. Es importante destacar que el resultado del coeficiente de
determinación oscila entre 0 y 1. Cuanto más cerca de 1 su valor, mayor será el ajuste del modelo a la
variable que estamos intentando predecir.

Error porcentual absoluto medio (MAPE). La métrica de Machine Learning que se usa para evaluar el
desempeño de los modelos es el porcentaje medio del error absoluto MAPE, que es una relación media
entre el error absoluto y el valor absoluto y permite dar una idea del tamaño de los errores en
comparación con los valores. El MAPE, mide la precisión como un porcentaje. Esta es la medida más

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, noviembre, 2024, Volumen V, Número 6 p 997.

común para pronosticar el error ya que las unidades de la variable se escalan a unidades porcentuales
y facilita la comprensión.

RESULTADOS Y DISCUSIÓN

Preparación y manejo de variables Tanto R (R Project) y R-Studio, son softwares Open Source y
gratuitos. Para poder utilizar R-Studio, previamente ha sido instalado R (Ver Apéndice A de la página
58) y de acuerdo el avance del proyecto se irá instalando los respectivos paquetes y librerías para la
realización del mismo.

Los datos están recogidos en ficheros Excel con formato .xlsx llamado “consulta racimos.xlsx”. Esta
Base de datos se la obtiene mediante el sistema de BI de producción que tiene implementado la
Hacienda Bananera San Humberto y contiene información sobre los parámetros de producción
obtenidas en este rango de fechas desde el 24/04/2021 hasta 28/06/2022. La información
corresponde a distintos aspectos relacionados con la producción Bananera como lo muestra en la
Tabla 3.

Tabla 3

Variables

En la Tabla 3 se observa las diferentes variables a utilizar en la cual mediante el programa R Studio se
carga la base de datos (Ver Apéndice B de la página 59) y se comienza a realizar la exploración de
datos, mediante los comandos summary y str muestra un resumen general sobre las variables del
Dataframe, indicando de qué tipo de variable pertenece y un resumen estadístico como la media, Valor
máximo, mínimo, percentiles, como resultados se obtuvo que la variable dependiente(peso) y la
variable manos está ingresada en la base datos como variable de tipo categórica o cualitativa ,
entonces se procedió a cambiar el tipo de datos a cuantitativas o numérica (Ver Apéndice B de la
página 59). Otro paso a seguir es la verificación de datos nulos en las respectivas variable del
Dataframe mediante el comando is.na, pero mostró error en las variables deschive F/2 y deschive F/3
por el espacio que forman el nombre de la respectiva variable y por ende se cambió el nombre de las
variables con el comando repage y quedaron así: deschive_f/2, deschive_f/3 una vez rectificado el error
se procede a la verificación de la existencia de valores nulos en los variables del Dataframe (Ver
Apéndice B de la página 59), y como resultado no se obtuvo valores nulo en cada una de las variables
del Dataframe.

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, noviembre, 2024, Volumen V, Número 6 p 998.

Correlación

Se verificó si existían correlación de datos mediante el comando cor en la cual consiste en analizar la
relación de al menos dos variables y como resultados se muestran en el Apéndice B de la página 59 y
como resultados se muestra en la siguiente Tabla 3.2 Correlación de Variable del dataframe
ConsultaRacimos.csv

Tabla 4

Variables

Se tiene un criterio al momento de analizar los resultados del coeficiente de correlación utilizando los
siguientes rangos: Si es 0 y 0,10: correlación cero Si es 0,10 y 0,29: correlación baja Si es 0,30 y 0,50:
correlación estable Si es 0,50 y 1,00: correlación alta Mediante la gráfica de correlación de la variable
dependiente(peso) con las variables independientes, se visualiza la relación entre las variables y
cuando la recta se inclina hacia la derecha la correlación es positiva, pero cuando se inclina hacia la
izquierda es negativa como se muestran en las siguientes imágenes de Correlaciones.

Gráfico 1

Correlación peso – fumigación

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, noviembre, 2024, Volumen V, Número 6 p 999.

En esta imagen de correlación de la variable fumigación (y) con la variable principal peso (x) se deduce
que de forma muy general se aplica y en su consecuencia también se obtiene racimos con buen peso,
pero no hay correlación directa por que los datos están muy lejos de la curva.

Gráfico 2

Correlación peso – Herbicidas

A diferencia de las correlaciones anteriores si existe correlación de la variable herbicida (y) con la
variable principal peso (x) pero es negativa o inversa.

Gráfico 3

Correlación peso – deschive_f2

Aquí se observa una correlación positiva, aunque no muy fuerte por que los datos se alejan de la curva
creciente.

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, noviembre, 2024, Volumen V, Número 6 p 1001.

Gráfico 6

Correlación peso – selección

Se observa una correlación negativa a medida que el peso del racimo aumenta las labores de selección

o viceversa.

Continuando con este ejercicio de correlación de variables en esta parte se tiene la Matriz de
correlaciones donde se indica la relación entre variables, para así detectar la importancia con la variable
dependiente como se muestra en el gráfico.

Gráfico 7

Matriz de correlación

Se observa que las variables manos, calibración superior, lote, son las que tienen un mayor porcentaje

o las que mayor correlación positiva tienen por qué se acercan a 1. La matriz de correlación (Ver
Apéndice B de la página 59 - matriz de correlaciones) explica cómo se encuentran relacionadas cada
una de las variables con otra variable. Los resultados de la correlación de las variables se pueden ubicar
entre -1 y +1. Si estos elementos suben o bajan al mismo tiempo, el resultado de la correlación es
positivo. Si un elemento sube y el otro baja o viceversa, entonces la correlación es negativa. De igual
forma, valores cerca a cero indica que no existe una relación lineal entre las variables, por lo tanto, es
una matriz simétrica con unos en la diagonal (ya que la correlación entre una variable y ella misma es
perfecta), en donde cada posición denota el coeficiente de correlación lineal de Pearson, que mide el

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, noviembre, 2024, Volumen V, Número 6 p 1002.

grado de relación lineal entre cada par de elementos o variables. Esta prueba permite cuantificar la
magnitud de la correlación entre dos variables y ayuda a predecir valores. Si estas variables tuvieran
una correlación perfecta se podría inferir el valor de la variable y conociendo el valor de x. Debido a
estas ventajas, la correlación es una de las pruebas más usadas en todo ámbito, ya que además de
medir la dirección y magnitud de la asociación de dos variables, es uno de los fundamentos de los
modelos de predicción, como los modelos de regresión lineal, random forest. (Ivonne Roy.2020)

Análisis y validación de los datos

En esta segunda parte se verifica los datos atípicos que tiene la variable dependiente (peso) en la cual,
mediante la realización de diferentes funciones en R se detecta diferentes anomalías como las
siguientes:

Gráfico 8

Diagramas de caja (variable peso)

En el diagrama de Cajas se observa que los valores que se escapan a los «bigotes» se consideran
valores extremos porque «pareciera» que no forman parte del grupo. Estos datos atípicos se pueden
considerar mala práctica in situ por parte del operador al manipular e ingresar incorrectamente los
datos al sistema BI de producción.

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, noviembre, 2024, Volumen V, Número 6 p 1003.

Gráfico 9

Histograma (variable peso)

Tabla 5

Media – Mediana – IQR - Cuantiles Tabla 3.3 Media Mediana IQR Cuantiles

En el gráfico 9 las barras en su distribución de datos indica que hay grupos de pesos en rango que
mayores a 10, y menores 120 Libras aproximadamente, en la Tabla 3.3 se detallan datos como: la
mediana de la variable peso es 69.68, la media 69.65 y el rango intercuartílico IQR se obtuvo 23.7, esto
representa la diferencia del tercer cuartil con el primero y se entiende que en esta parte se encuentra
el 50 % del total de los datos y por último se tiene la clasificación por quintiles de la variable peso que
muestra los percentiles con su respectivo rango de valores.

Una vez realizado el análisis del comportamiento de la variable dependiente (peso) urge tener mejor
estructurado y consolidado los datos de esta variable, mediante comandos en R Studio se divide los
datos de la variable peso en un mejor rango de valores en la cual solo se escogerá información de
pesos < 117.28 libras y pesos > 22.41 libras. Se obtuvo este rango de valores por que se trabajó con el
IQR de la variable peso y arrojó 23.71 libras esto significa la diferencia del cuartil 3 menos el cuartil 1,
para tener un tope estándar de peso de racimos y según lo indicado anteriormente se multiplica al IQR
por 1.5 y se suma por el cuartil 3 (81.708).Como resultado se tiene un peso máximo de 117.28 libras,
así mismo se realiza el ejercicio para peso mínimo de racimos, pero con el único cambio que se suma
con el cuartil 1 y el peso mínimo aceptable es 22.41 libras. Realizado todo esto, se crea un nuevo
Dataframe llamado nuevos_datos, solo con el nuevo rango de valores de la variable peso, y para
corroborar lo realizado se ejecuta las pruebas de análisis de datos y verificación de los respectivos
cambios con las funciones de R ya conocidas:

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, noviembre, 2024, Volumen V, Número 6 p 1004.

Gráfico 10

Diagrama de Caja (variable peso)

Gráfico 11

Histograma (variable peso)

Tabla 6

Media - Mediana- IQR- Cuantiles

Como se observa en la nueva tabla 6 diagrama de cajas ya no contiene valores atípico o datos en los
extremos y en el nuevo histograma 3.12, se obtuvo una buena distribución de sus barras indicando
variaciones continuas aceptables, y por supuesto algo más que nos ayuda son las medidas
estadísticas y se puede corroborar que el ultimo percentil es un valor adecuado (116.9 libras).

Modelamiento y Métricas

Random Forest. Mediante la matriz de correlación se escoge las variables independientes para realizar
el modelo predictivo para la variable dependiente pesos de racimos, una vez que se tiene bien
delimitados las variables se crea un nuevo dataframe solo con las variables que se va a realizar los
modelos, como lo muestra la siguiente tabla 7.

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, noviembre, 2024, Volumen V, Número 6 p 1005.

Tabla 7

Variables escogidas

Variables
Edad
Deschive F/2
Deschante
Selección
Fertilización
Riego
Herbicidas
Fumigación
peso

En el nuevo dataframe llamado (data_modelamiento) se divide en 2 conjuntos de datos (Ver anexo de
la página 67), el primero será de entrenamiento (train) con 70 % aproximadamente de datos y el otro
conjunto de datos para prueba (test) con el 30 % .En el conjunto de datos para prueba (test) se la divide
en dos partes: un dataframe solo de variables predictoras (independientes) x_test y otra data solo la
variable dependiente peso (y_test) y en el conjunto de datos de entrenamiento (train) se divide y_train
solo con la variable dependiente. Se crea el modelo predictivo con la librería randomForest y en sus
parámetros en la opción ntree se empieza a crear modelo Random Forest (RF) con 100 árboles después
se le aumentara hasta lograr una buena métrica del algoritmo RF, ejemplo: library(randomForest)
modelo_rf = randomForest (peso ≃., data = train, ntree =100) En esta primera instancia se tiene el
primer modelo de RF como lo muestra en el gráfico 12.

Gráfico 12

Modelo random forest/ntree=100

Una vez obtenido el primer modelo de RF con 100 árboles se observa que el error va disminuyendo, con
la función predict se realiza la predicción de pesos de racimos incrustándole en sus parámetros el
modelo de RF modelo_rf y el conjunto de datos x_test(variables independientes) , como resultado se
obtiene la predicción de pesos de racimos en la cual lo comparamos con el conjunto de datos
y_test(variable peso) como se observa en la siguiente gráfico en la cual los puntos se superponen y
esto quiere decir que la predicción van a la par con los datos reales.

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, noviembre, 2024, Volumen V, Número 6 p 1006.

Gráfico 13

Modelo random forest

Mediante la función importance se obtiene la importancia de las variables que ha contribuido en el
modelo realizado que se detalla en la siguiente Tabla 3.6, entre cada vez mayor sea el resultado la
variable es más importante en la creación del modelo.

Tabla 8

Importancia de variables en el modelo

Para validar y medir este modelo RF de regresión hay diferentes métricas como las que se muestran
en la siguiente tabla

Tabla 9

Métricas RF-NTREE=100

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, noviembre, 2024, Volumen V, Número 6 p 1007.

Se Observa en el parámetro de Ntree = 100 árboles el Error Absoluto Medio (MAE) se encuentra elevado,
entonces se procede a realizar las pruebas aumentando el número de árboles al algoritmo RF a Ntree
= 200 y se obtiene lo siguientes resultados:

Gráfico 14

Modelo random forest/ntree=200

Tabla 10

Métricas RF-NTREE=200

Se observa que no hay mucha variación en la medición de errores del algoritmo y en este caso se elige
el modelo que se entrenó con Ntree = 200 árboles. Una de las métricas más importante para este caso
de estudio, es la métrica del Error Absoluto Medio que indica que el error en el modelo predictivos es
de 13.2 libras, en la predicción de peso de racimos, cabe recalcar que no es necesariamente que todas
las métricas deben ajustar a unos buenos indicadores pues esto dependerá mucho del caso de estudio

Xgboost

Para realizar este modelo predicción se instala los paquetes y librerías library(xgboost) seguido a esto
el dataFrame de entrenamiento se la convierte en una matriz con la función data.matrix como se tiene
en el Anexo de la página 81, con la función de xgboost y en sus parámetros nround como parte inicial
se le ingresa un cantidad de 50, este número son iteraciones que se realizarán antes de detener el
proceso de ajuste. Un mayor número de iteraciones generalmente devuelve mejores resultados de
predicción, como el siguiente ejemplo del algoritmo de Xgboost.

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, noviembre, 2024, Volumen V, Número 6 p 1008.

modelo_xgb = xgboost( data = data.matrix(train[,-9]), eval_metric = rmse”, label = y_train$peso,
reg_lambda = 0.5, nrounds = 50 )

En este algoritmo Xgboost tiene algunos parámetros, pero los más importantes son los que
mencionamos en el código, una vez realizado el modelo verificamos los resultados del mismo
mediante su descripción con la función print(modelo_xgb) como se muestra en la siguiente figura.

Figura 1

Descripción del modelo

En los respectivos detalles se muestra los diferentes parámetros con lo que se ejecutó el algoritmo
como el siguiente eval_metric = rmse”, que indica que las métricas de evaluación van a ser de tipo de
errores, otro parámetro es reg_lambda = 0.5 este sirve para guiar al algoritmo, al objetivo y reducir el
error, entre mayor sea el numero menos error, pero no es recomendable que sea mayor a 1 y el nrounds
= 50, como se mencionó anteriormente son la cantidad de secuencias o iteraciones que realiza el
algoritmo para obtener un mejor resultado, también se muestra la cantidad de variables que tiene la
matriz e incluso desde ya tenemos los resultados de la métricas del algoritmo para su evaluación como
lo es el RMSE.

En el siguiente gráfico es fundamental hacer notar como desciende el error a medida que se desarrollan
las 50 iteraciones

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, noviembre, 2024, Volumen V, Número 6 p 1009.

Gráfico 15

Curva de error modelo XGBoost 50 nround

En el siguiente gráfico se subió el número de iteraciones nround a 150 y se tiene el mismo panorama y
el error llego a RMSE = 16.23.

Gráfico 16

Curva de error modelo XGBoost 150 nround

Mediante la ejecución de una función que permite o detalla las variables mejores puntuadas que
aportaron en la realización del modelo, como lo muestra en el gráfico y las variables importantes fueron
deschive_f2, fertilización, edad, fumigación

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, noviembre, 2024, Volumen V, Número 6 p 1010.

Gráfico 17

Importancia de las variables

Una vez que se ha realizado el modelo con el Algoritmo de Xgboost viene la predicción de pesos en la
cual, mediante la función predict en sus argumentos, se ingresa los dataset del modelo y los de prueba,
como resultado se obtiene la predicción de pesos de racimos, dicha información se compara con los
datos de prueba y se obtiene un gráfico como el del gráfico. Se observan datos superpuestos y a su
vez datos un poco más abiertos a los datos reales.

Gráfico 18

Estimación vs Real-XXGBoost

Como todas métricas de evaluación Xgboost no es la excepción y son las métricas de errores como
los siguientes algoritmos tiene MSE-RMSE-MAE–MAPE, se calcula para 50 - 150 iteraciones como lo
muestran las tablas 11 y 12.

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, noviembre, 2024, Volumen V, Número 6 p 1011.

Tabla 11

Métricas para xgpoost-nrounds=50

Tabla 12

Métricas para xgboost-nrounds=150

Se observa que no se tiene mucha variación tanto para 50 iteraciones que 150 iteraciones, para este
caso la métrica MAE indica que el error Absoluto medio de la predicción de peso de racimos es de 13.1
libras. Una vez realizado estos dos modelos de predicción tanto de RF y Xgboost y según el análisis y
resultados de sus métricas, el algoritmo que ayudaría a dar mejor resultado de predicción es el
Xgboost, aunque no tiene una amplia diferencia con los resultados del algoritmo RF como se muestra
en las siguientes tablas 13 y 14.

Tabla 13

Métricas para el modelo de random forest

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, noviembre, 2024, Volumen V, Número 6 p 1012.

Tabla 14

Métricas para el modelo XGBoost

RECOMENDACIONES

Con los resultados obtenidos en esta investigación se pueden llegar a modelos predictivos que
incorporen un mayor conjunto de variables de diferente naturaleza relacionada al mundo bananero, en
la cual sus mediciones deberían realizarse por sensores que estén inmerso a la producción bananera
con el objetivo de analizar esta misma problemática u otros problemas similares y así se tendría
mejores modelos predictivos de pesos de racimos para ayudar en el desarrollo productivo de la
Hacienda Bananera.

CONCLUSIÓN

Al termino de este trabajo investigativo se pudo obtener modelos predictivos basados en machine
learning, que fueran capaces de realizar buenas predicciones de pesos de racimos. También es
importante analizar la afectación al modelo cada variable utilizada para entrenar, en términos generales
se logró demostrar que los algoritmos robustos como Random Forest Regression y Xgboost pueden
predecir con un muy buen desempeño, siempre que se tengan los datos y variables necesarias para
entrenar los modelos.

Una vez desarrollados los distintos modelos, el mejor algoritmo predictivo fue Xgboost que a diferencia
del Random Forest Regression en sus métricas de evaluación de errores para una buena predicción
fue un poco más bajo, como en la métrica MAE (error absoluto medio) para Xgboost fue de 13.1 y para
RF fue de 13.2 (Tabla 3.11 y Tabla 3.12) como se puede observar la diferencia fue por centésimas en
la cual se escoge al algoritmo Xgboost como el mejor y según mis investigaciones realizadas este
algoritmo al momento de su ejecución procesa la información de manera muy diferente y más eficiente
que el algoritmo de Random Forest Regression y a su vez también ha permitido definir las variables
influyentes de alto impacto para la predicción de pesos de racimos como lo son: variable de
fertilización, fumigación(sigatoka), deschive_f2, en la cual se debe poner mucho énfasis en la
realización de las mismas.

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, noviembre, 2024, Volumen V, Número 6 p 1013.

REFERENCIAS

Allouhi, A., Choab, N., Hamrani, A., and Saadeddine, S. (2021). Machine learning algorithms to assess
the thermal behavior of a moroccan agriculture greenhouse. Cleaner Engineering and Technology,
5:100346

Arteaga, J. J. G., Zambrano, J. J. Z., Cevallos, R. A., and Romero, W. D. Z. (2020). Predicción del
rendimiento de cultivos agrícolas usando aprendizaje automático. Revista Arbitrada Interdisciplinaria
Koinonía, 5(2):144–160.

Balducci, F., Impedovo, D., and Pirlo, G. (2018). Machine learning applications on agricultural datasets
for smart farm enhancement. Machines, 6(3):38.

Bernal Pablo, P. (2018). La Investigación en Ciencias Sociales: Técnicas de recolección de la
información.

Cantero Díaz, A., Goire Castilla, M. M., and Quintana Cassulo, Y. (2019). Sistema para la gestión y
análisis de datos de una red de sensores inalámbricos basado en un almacén de datos. Revista Cubana
de Ciencias Informáticas, 13(3):76–90.

Cedric, L. S., Adoni, W. Y. H., Aworka, R., Zoueu, J. T., Mutombo, F. K., Krichen, M., and Kimpolo, C. L. M.
(2022). Crops yield prediction based on machine learning models: Case of west african countries.
Smart Agricultural Technology, page 100049.

Chandraprabha, M. and Dhanaraj, R. K. (2020). Machine learning based pedantic analysis of predictive
algorithms in crop yield management. In 2020 4th International Conference on Electronics,
Communication and Aerospace Technology (ICECA), pages 1340–1345.

Chlingaryan, A., Sukkarieh, S., and Whelan, B. (2018). Machine learning approaches for crop yield
prediction and nitrogen status estimation in precision agriculture: A review. Computers and electronics
in agriculture, 151:61–69.

Crisóstomo Fernández, F. L., Lajo Aurazo, A. S., Hernández Quiroz, G. V., Asen- cio Diaz, L. d. l. A. M.,
and Chiang Cornejo, R. H. (2021). Técnicas de machine learning para la clasificación automática de
clientes en una empresa de seguros.

Dadas, S., Protasiewicz, J., and Pedrycz, W. (2019). A deep learning model with data enrichment for
intent detection and slot filling. In 2019 IEEE International Conference on Systems, Man and Cybernetics
(SMC), pages 3012–3018. IEEE.

Deepa, S., Alli, A., Gokila, S., et al. (2021). Machine learning regression model for material synthesis
prices prediction in agriculture. Materials Today: Proceedings.

Degfie, T. A., Mamo, T. T., and Mekonnen, Y. S. (2019). Optimized biodiesel production from waste
cooking oil (wco) using calcium oxide (cao) nano-catalyst. Scientific reports, 9(1):1–8.

Developers, S.-L. (2021). Metrics and scoring: Quantifying the quality of predictions. User Guide,[entre
2007 e 2019]. Disponível em: https://scikit-learn. org/stable/mo- dules/model_evaluation. html. Acesso
em, 26.

Eulogio, R. (2017). Introduction to random forests. Oracle+ DataScience. com.

González, C. A. G. and Hernandez, V. (2020). Clasificador de productos agrícolas para control de calidad
basado en machine learning e industria 4.0. Revista Perspectivas, 2(2):21–28.

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, noviembre, 2024, Volumen V, Número 6 p 1014.

Herrera-Díaz, C. (2016). Implementación de un módulo de análisis estadístico y predictivo para
agricultura utilizando bigdata y machine learning, integrado al sistema iotmach.[implementation of a
statistical and predictive analysis module for agriculture using bigdata and machine learning, integrated
to the iotmach system]. Trabajo de titulación. Carrera de ingeniería de sistemas. Universidad Técnica
de Machala. Recuperado de https, (9).

Jiménez, J. U. (2019). Introducción a r y rstudio.

Kotu, V. and Deshpande, B. (2015). Data mining process. Predictive analytics and data mining, 1:17–
36.

Kuhn, M., Wing, J., Weston, S., Williams, A., Keefer, C., and Engelhardt, A. (2016). Caret: classification
and regression training package. R package version, pages 6 0.

León Serrano, L. A., Arcaya Sisalima, M. F., Barbotó Velásquez, N. A., and Bermeo Pi- neda, Y. L. (2021).
Ecuador: Análisis comparativo de las exportaciones de banano orgánico y convencional e incidencia
en la balanza comercial, 2018.

Lopez Briega, R. (2015). Machine learning con python.

Maduranga, M. and Abeysekera, R. (2020). Machine learning applications in iot based agriculture and
smart farming: A review. Int. J. Eng. Appl. Sci. Technol, 4(12):24–27.

Marqués Gozalbo, M. Á. (2022). Modelos predictivos de producción agroindustrial con machine
learning a partir de fuentes de información pública.

Meshram, V., Patil, K., Meshram, V., Hanchate, D., and Ramkteke, S. (2021). Machine learning in
agriculture domain: A state-of-art survey. Artificial Intelligence in the Life Sciences, 1:100010.

Mohd Shafri, H. Z. M. S. and Arenas París, C. (2019). Artificial intelligence (ai) in oil palm remote sensing
applications.

Ortega, A. O. (2018). Enfoques de investigación. Métodos para el diseño urbano– Arquitectónico.

Pallares Cabrera, F. (2015). Desarrollo de un modelo basado en machine learning para la predicción de
la demanda de habitaciones y ocupacion en el sector hotelero.

Pereyra, L. E. (2020). Metodología de la investigación.

Rezk, N. G., Hemdan, E. E.-D., Attia, A.-F., El-Sayed, A., and El-Rashidy, M. A. (2021). An efficient iot based
smart farming system using machine learning algorithms. Multimedia Tools and Applications,
80(1):773–797.

Slob, N., Catal, C., and Kassahun, A. (2021). Application of machine learning to improve dairy farm
management: A systematic literature review. Preventive Veterinary Medicine, 187:105237.

Swami, D., Shah, A. D., and Ray, S. K. (2020). Predicting future sales of retail products using machine
learning. arXiv preprint arXiv:2008.07779.

VanderPlas, J. (2016). Python data science handbook: Essential tools for working with data.

Villafuerte Chacnama, F. F. (2021). Análisis comparativo de modelos de pronóstico arima y xgboost
aplicados a las series mensuales de ventas en una empresa certificadora.

LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.

ISSN en línea: 2789-3855, noviembre, 2024, Volumen V, Número 6 p 1015.

Wickham, H. and Grolemund, G. (2017). R for data science: Import. Tidy, transform, visualize, and model
data, 1.

Todo el contenido de LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, publicados en
este sitio está disponibles bajo Licencia Creative Commons .