<![CDATA[The significant increase in coffee prices in recent years has not been matched by optimized production, particularly in major coffee-producing regions such as Pagar Alam City. One of the main challenges is farmers’ limited capacity to determine the most suitable coffee clone for their environmental conditions. This study aims to develop an intelligent system based on machine learning to predict superior coffee clones that can improve productivity and support food security. The Random Forest algorithm was applied using the CRISP-DM framework, consisting of business understanding, data understanding, data preparation, modelling, evaluation, and deployment stages. The dataset comprised environmental variables (altitude, rainfall, soil pH, soil type, pest resistance, and production) and coffee clone labels (Clone1–Clone4). Experimental results indicate that the model achieved an average accuracy of approximately 75% under 5-fold cross-validation, with altitude and rainfall identified as the most influential factors in clone selection. The predictive system was implemented in Python and can be further developed into web- or mobile-based applications. This study demonstrates the potential of artificial intelligence in optimizing coffee production, enhancing farmers’ welfare. Kenaikan harga kopi yang signifikan dalam beberapa tahun terakhir belum diimbangi dengan produksi yang optimal, terutama di wilayah penghasil kopi utama seperti Kota Pagar Alam. Salah satu tantangan utama adalah keterbatasan kemampuan petani dalam menentukan klon kopi yang paling sesuai dengan kondisi lingkungannya. Penelitian ini bertujuan untuk mengembangkan sistem cerdas berbasis machine learning guna memprediksi klon kopi unggul yang dapat meningkatkan produktivitas dan mendukung ketahanan pangan. Algoritma Random Forest diterapkan dengan menggunakan kerangka kerja CRISP-DM, yang meliputi tahap pemahaman bisnis, pemahaman data, persiapan data, pemodelan, evaluasi, dan penerapan. Dataset yang digunakan mencakup variabel lingkungan seperti ketinggian, curah hujan, pH tanah, jenis tanah, ketahanan terhadap hama, serta data produksi, dengan label klon kopi (klon1–klon4). Hasil eksperimen menunjukkan bahwa model yang dibangun mencapai rata-rata akurasi sekitar 75% menggunakan metode 5-fold cross-validation, dengan ketinggian dan curah hujan teridentifikasi sebagai faktor paling berpengaruh dalam pemilihan klon. Sistem prediksi ini diimplementasikan menggunakan Python dan dapat dikembangkan lebih lanjut menjadi aplikasi berbasis web atau mobile. Penelitian ini menunjukkan potensi kecerdasan buatan dalam mengoptimalkan produksi kopi, meningkatkan kesejahteraan petani, serta memperkuat ketahanan pangan nasional.]]>
