Claim Missing Document
Check
Articles

Found 2 Documents
Search

Sistem Informasi Prediksi Masa Tanam Komoditas Pertanian Berbasis WEB (SIERGY) Muhammad Dariaz Zidane; Mochamad Fadil Nur Hakim; Naila Nadira Azkarini; Dony Oscar
Indo Green Journal Vol. 4 No. 3 (2026): Green 2026
Publisher : Published by Institut Teknologi Pendidikan Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/green.v4i3.690

Abstract

Perubahan iklim global memicu anomali hidrometeorologi yang meningkatkan risiko salah prediksi kalender tanam padi di Desa Pisangsambo, Kabupaten Karawang. Penelitian ini bertujuan membangun Sistem Informasi Prediksi Masa Tanam (SIERGY) berbasis web menggunakan pendekatan metode Agile. Pengendalian sistem memanfaatkan implementasi model Machine Learning dengan algoritma Random Forest Classifier untuk mengklasifikasikan kelayakan lahan berdasarkan 7 parameter agronomis secara simultan. Hasil pengujian pada fasa Test and Score membuktikan model Machine Learning memiliki tingkat keandalan unggul dengan skor Akurasi 99,55% (438 data benar dari 440 data uji), jauh melampaui rumus spreadsheet kaku manusia yang hanya mencatatkan akurasi 73,64%. Implementasi arsitektur menggunakan Next.js dan Python Flask terbukti andal dalam mendigitalisasi administrasi pertanian serta menyajikan panduan mitigasi defisit air irigasi secara dinamis.
Sistem Informasi Prediksi Masa Tanam Komoditas Pertanian Berbasis WEB (SIERGY) Muhammad Dariaz Zidane; Mochamad Fadil Nur Hakim; Naila Nadira Azkarini; Dony Oscar
Indo Green Journal Vol. 4 No. 3 (2026): Green 2026
Publisher : Published by Institut Teknologi Pendidikan Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/green.v4i3.690

Abstract

Perubahan iklim global memicu anomali hidrometeorologi yang meningkatkan risiko salah prediksi kalender tanam padi di Desa Pisangsambo, Kabupaten Karawang. Penelitian ini bertujuan membangun Sistem Informasi Prediksi Masa Tanam (SIERGY) berbasis web menggunakan pendekatan metode Agile. Pengendalian sistem memanfaatkan implementasi model Machine Learning dengan algoritma Random Forest Classifier untuk mengklasifikasikan kelayakan lahan berdasarkan 7 parameter agronomis secara simultan. Hasil pengujian pada fasa Test and Score membuktikan model Machine Learning memiliki tingkat keandalan unggul dengan skor Akurasi 99,55% (438 data benar dari 440 data uji), jauh melampaui rumus spreadsheet kaku manusia yang hanya mencatatkan akurasi 73,64%. Implementasi arsitektur menggunakan Next.js dan Python Flask terbukti andal dalam mendigitalisasi administrasi pertanian serta menyajikan panduan mitigasi defisit air irigasi secara dinamis.