<![CDATA[ABSTRAK Ketidakseimbangan unsur hara dan kualitas tanah yang kurang optimal merupakan permasalahan umum di lahan pertanian, namun pemantauan unsur hara memerlukan analisis laboratorium. Tujuan penelitian adalah memperoleh hubungan untuk mengestimasi pH tanah, kandungan nitrogen total, karbon total dan bahan organik tanah berdasarkan konduktivitas listrik tanah, serta mengevaluasi potensi penggunaan konduktivitas listrik tanah sebagai indikator estimasi parameter-parameter tersebut. Penelitian menggunakan machine learning berbasis Python dengan algoritma regresi linear, di mana 70% data digunakan untuk membuat persamaan pendugaan dan 30% untuk validasi kinerja model. Hasil penelitian menunjukkan bahwa konduktivitas Listrik (EC) dapat digunakan untuk memprediksi nilai pH dengan persamaan pH = 0,3107 EC - 1,2 (nilai R² = 0,9707), untuk memprediksi nilai karbon total dengan persamaan TC = 0,3525 EC - 0,1 dan untuk memprediksi nilai bahan organik, dengan persamaan BOT = 0,2045 EC - 0,1 dengan nilai R² = 0,9126. Namun, nilai EC dinyatakan lemah untuk memprediksi nitrogen total dengan nilai R² = -0,0030. Validasi kinerja model menunjukkan nilai kesalahan yang sangat kecil pada persamaan untuk memprediksi pH berdasarkan nilai EC yaitu MSE = 0,0006; MAE = 0,0164), serta pada persamaan untuk memprediksi karbon total dan bahan organik tanah berdasarkan nilai EC diperoleh masing-masing nilai MSE = 0,0017 dan MAE = 0,0357). Namun nilai EC kurang efektif untuk memprediksi nilai nitrogen total karena hasil validasi kinerja model menunjukkan nilai MSE = 0,0195 dan MAE = 0,1190. Hasil ini menunjukkan bahwa konduktivitas listrik tanah dapat digunakan sebagai indikator yang baik untuk mengestimasi pH tanah, karbon total, dan bahan organik tanah. ABSTRACT The imbalance of soil nutrients and suboptimal soil quality are common issues in agricultural land; however, monitoring soil nutrients typically requires laboratory analysis. This study aims to establish relationships for estimating soil pH, total nitrogen content, total carbon, and soil organic matter based on soil electrical conductivity (EC), as well as to evaluate the potential use of EC as an indicator for estimating these parameters. The research employed a machine learning approach using Python with a linear regression algorithm, where 70% of the data was used to develop estimation equations and the remaining 30% for model performance validation. The results indicate that EC can be used to predict pH with the equation pH = 0.3107 EC - 1.2 (R² = 0.9707), total carbon with the equation TC = 0.3525 EC - 0.1, and soil organic matter with the equation BOT = 0.2045 EC - 0.1 (R² = 0.9126). However, EC was found to be a weak predictor for total nitrogen, as indicated by an R² value of -0.0030. Model validation results showed very low error values for the pH prediction equation (MSE = 0.0006; MAE = 0.0164), as well as for the equations predicting total carbon and organic matter (MSE = 0.0017 and MAE = 0.0357, respectively). In contrast, EC was less effective in predicting total nitrogen, as reflected in higher error values (MSE = 0.0195; MAE = 0.1190). These findings suggest that soil electrical conductivity can serve as a reliable indicator for estimating soil pH, total carbon, and organic matter content.]]>
