Article Per Year (5 Year)
p-Index From 2021 - 2026
1.513
P-Index
This Author published in this journals
All Journal Jurnal Ilmu Tanah dan Lingkungan (Journal of Soil Science and Environment) Jurnal Ilmu Pertanian Teknotan: Jurnal Industri Teknologi Pertanian Innofarm Jurnal Inovasi Pertanian Jurnal Biodjati JMM (Jurnal Masyarakat Mandiri) Journal of Tropical Crop Science jurnal Ilmu Pertanian (Agricultural Science) Jurnal Informasi Sains dan Teknologi (ISAINTEK)
Sarah Sakinah Umadi
Program Studi Agroteknologi, Fakultas Pertanian, Universitas Singaperbangsa Karawang
Agriculture, Biological Sciences & Forestry Biochemistry, Genetics & Molecular Biology Computer Science & IT Earth & Planetary Sciences Environmental Science Social Sciences Other

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

Found 11 Documents
Search

 1   2 
Pengembangan Model Prediksi Produksi Padi di Provinsi Jawa Barat Berbasis Integrasi Data Agroklimat Menggunakan Ensemble Machine Learning Fadila, Abil; Syabena, Muhammad Farrel; Khamid, Miftakhul Bakhrir Rozaq; Prastyo, Hadi; Umadi, Sarah Sakinah; Saliha, Ilmiasa
Teknotan: Jurnal Industri Teknologi Pertanian Vol 20, No 2 (2026): TEKNOTAN, Agustus 2026
Publisher : Fakultas Teknologi Industri Pertanian

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24198/jt.vol20n2.18

Abstract

Dinamika cuaca yang tidak menentu menjadi faktor utama yang mempengaruhi variabilitas produksi padi di Jawa Barat dan menuntut penerapan teknologi prediksi yang akurat untuk mendukung pengelolaan produksi pertanian secara efisien dan adaptif. Penelitian ini bertujuan mengembangkan sistem prediksi produksi padi berbasis integrasi data agroklimat menggunakan algoritma ensemble machine learning, yaitu Random Forest (RF) dan Extreme Gradient Boosting (XGBoost). Data yang digunakan meliputi variabel agroklimat berupa curah hujan, suhu udara, kelembapan, dan kecepatan angin serta data historis produksi padi di Provinsi Jawa Barat periode 2018–2024. Pengembangan sistem dilakukan melalui tahapan pra-pemrosesan data, transformasi fitur, pelatihan model, dan validasi menggunakan skema 10-fold cross-validation untuk menjamin stabilitas dan reliabilitas model. Kinerja model dievaluasi menggunakan koefisien determinasi (R²), Mean Absolute Error (MAE), dan Root Mean Square Error (RMSE). Hasil penelitian menunjukkan bahwa algoritma Random Forest memberikan performa terbaik dengan nilai R² sebesar 0,9928, MAE sebesar 16.608,92, dan RMSE sebesar 24.796,55. Variabel luas lahan, curah hujan, suhu, dan kelembapan teridentifikasi sebagai faktor utama yang memengaruhi produksi padi. Sistem yang dikembangkan berpotensi diimplementasikan sebagai teknologi pendukung prediksi produksi padi dengan memanfaatkan data agroklimat sebagai variabel prediktor, sehingga dapat mendukung pengambilan keputusan dalam pengelolaan produksi tanaman dan penerapan pertanian presisi berbasis data guna meningkatkan efisiensi serta ketahanan sistem produksi padi.
Co-Authors Abil Fadila Adhitya Vishnu Pradana Daniel Happy Putra Denny Sobardini Sobarna Devie Rienzani Supriadi Fadila, Abil Heryanto, Andika Yuli I Ketut Manu Mahatmayana Miftakhul Bakhrir Rozaq Khamid Muhammad Farrel Syabena Muhammad Farrel Syabena Muhammad Farrel Syabena Prastyo, Hadi RAHAYU WIDYASTUTI Saliha, Ilmiasa SATRIYAS ILYAS Sumadi Sumadi Syabena, Muhammad Farrel Vera Oktavia Subardja