Article Per Year (5 Year)
p-Index From 2021 - 2026
1.835
P-Index
This Author published in this journals
All Journal SINTEK JURNAL: Jurnal Ilmiah Teknik Mesin Jurnal Indonesia : Manajemen Informatika dan Komunikasi Jurnal Sains, Teknologi dan Rekayasa (SAINTESA) Power Elektronik : Jurnal Orang Elektro Jurnal Vokasi Bisnis Digital, Akuntansi Lembaga Keuangan Syariah dan Usaha Perjalanan Wisata KREATIF Jurnal Pengabdian Masyarakat Sains dan Teknologi
Willy Muhammad Fauzi
Sekolah Tinggi Teknologi YBS Internasional
Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering Materials Science & Nanotechnology Mechanical Engineering Other

Published : 11 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 11 Documents
Search

 1   2 
Perbandingan Algoritma Klasifikasi untuk Rekomendasi Tanaman Berdasarkan Data Lingkungan Fauzi, Willy Muhammad; Ramdana, Adi Dadan; Firmansyah, Fajar; Nugraha, Fajar Yudha; Mauhib, Akpil
Power Elektronik : Jurnal Orang Elektro Vol 14, No 1 (2025): POWER ELEKTRONIK
Publisher : Politeknik Harapan Bersama Tegal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/polektro.v14i1.8682

Abstract

Pemilihan tanaman yang tepat sangat penting dalam meningkatkan produktivitas pertanian. Dengan adanya teknologi machine learning, proses rekomendasi tanaman berdasarkan data lingkungan dapat lebih efisien, terutama dalam menghadapi kondisi iklim yang bervariasi. Penelitian ini bertujuan untuk membandingkan tiga algoritma klasifikasi, yaitu Random Forest, XGBoost, dan SVM, dalam memberikan rekomendasi tanaman yang sesuai berdasarkan data lingkungan yang mencakup suhu, kelembaban, pH tanah, dan curah hujan. Penelitian ini menggunakan dataset yang mencakup fitur lingkungan dari BPS Kota Tasikmalaya, yang kemudian diuji dengan tiga algoritma klasifikasi machine learning Random Forest, XGBoost, dan SVM. Setiap model dievaluasi berdasarkan akurasi, precision, recall, dan F1-score. Random Forest menunjukkan hasil terbaik dengan akurasi 99.32%, diikuti oleh XGBoost dengan akurasi 98.64%, dan SVM dengan akurasi 96.82%. Model-model ini memberikan rekomendasi tanaman seperti jeruk dan melon, sementara SVM lebih sering merekomendasikan mothbeans. Random Forest memberikan hasil yang paling optimal dalam sistem rekomendasi tanaman berbasis data lingkungan, meskipun SVM lebih cepat dalam hal pelatihan model. Penelitian ini menunjukkan pentingnya penerapan algoritma machine learning untuk mendukung keputusan pertanian berbasis kondisi lingkungan lokal.
Co-Authors Abd Rohman Abd Rohman Abd Rohman, Abd Adhy, Dewanto Rosian Adi Dadan Ramdana Andi Saputra Anes Inda Rabbika Asep Mustofa Fajar Firmansyah Fajar Firmansyah Febrian, Rizki Muh Hadi, Dadih Abdul Kostaman, Tata Kusumah, Danial Liana Dewi Mauhib, Akpil Mia Sumiarsih Mia Sumiarsih Mustofa, Asep Mustopa, Asep Nugraha, Fajar Yudha Nugraha, MH Patriana, Ari rabbika, anes inda Rakista, Putri Mutiara Rudi Hermawan Siti Maesaroh Siti Maesaroh Siti Maesaroh Siti Maesaroh Syafari Suryo Pranoto Tatakostaman Tri Jaya Widagdo Widagdo, Tri Jaya Widyantoro Widyantoro Yanti Yanti Yudha, Fajar