<![CDATA[Abstract Food production prediction is crucial for regional food security planning, particularly in Lamongan Regency as one of East Java's major food-producing areas. This study implements Support Vector Regression (SVR), SVR optimized using Grid Search, and SVR optimized using the Genetic Algorithm to predict the production of five food crops, namely rice, corn, soybean, peanut, and mung bean, using planting area and harvested area as input variables. Data were obtained from the Lamongan Regency Food Security and Agriculture Office covering the period 2010–2025. Three kernel types were evaluated: Linear, RBF, and Polynomial. The results show that Grid Search optimization yielded the best models for corn (SVR-RBF), soybean (SVR-Linear), peanut (SVR-RBF), and mung bean (SVR-Linear), while the Genetic Algorithm produced the best model for rice (SVR-Linear). Both optimization methods consistently outperformed the standard SVR in terms of RMSE, MAE, and R² values. The Linear kernel dominated three out of five commodities, indicating a predominantly linear relationship between input and output variables. These models can serve as decision support tools for agricultural resource distribution planning and food security management in Lamongan Regency. Keywords: Food Production Prediction; Genetic Algorithm; Grid Search; Support Vector Regression Abstrak Prediksi produksi tanaman pangan merupakan hal yang penting dalam perencanaan ketahanan pangan daerah, khususnya di Kabupaten Lamongan sebagai salah satu sentra produksi pangan utama di Jawa Timur. Penelitian ini mengimplementasikan Support Vector Regression (SVR), SVR yang dioptimasi menggunakan Grid Search dan SVR yang dioptimasi menggunakan Algorittma Genetika untuk memprediksi produksi lima komoditas tanaman pangan, yaitu padi, jagung, kedelai, kacang tanah, dan kacang hijau, dengan menggunakan luas tanam dan luas panen sebagai variabel masukan. Data bersumber dari Dinas Ketahanan Pangan dan Pertanian Kabupaten Lamongan tahun 2010–2025. Tiga jenis kernel dievaluasi, meliputi kernel Linear, RBF, dan Polinomial. Hasil penelitian menunjukkan bahwa optimasi Grid Search menghasilkan model terbaik untuk jagung (SVR- RBF), kedelai (SVR-Linear), kacang tanah (SVR-RBF), dan kacang hijau (SVR-Linear), sedangkan Algoritma Genetika menghasilkan model terbaik untuk padi (SVR-Linear). Kedua metode optimasi secara konsisten meningkatkan performa SVR standar ditinjau dari nilai RMSE, MAE, dan R². Kernel Linear mendominasi tiga dari lima komoditas, mengindikasikan hubungan yang dominan linier antara variabel masukan dan keluaran. Model yang dihasilkan dapat dimanfaatkan sebagai alat bantu pengambilan keputusan dalam perencanaan distribusi sarana produksi pertanian dan antisipasi ancaman ketahanan pangan di Kabupaten Lamongan. Kata Kunci: Algoritma Genetika; Grid Search; Prediksi Produksi Tanaman Pangan; Support Vector Regression]]>
