<![CDATA[Penelitian ini mengevaluasi efektivitas metode K-Nearest Neighbors (KNN) dan Decision Tree dalam mengklasifikasikan jenis tanah berdasarkan data reflektansi dari sensor optik, yang penting untuk mendukung sistem rotasi tanaman yang efisien dan berkelanjutan. Tujuan dari penelitian ini adalah untuk menentukan akurasi kedua metode dalam mengidentifikasi pola reflektansi tanah dan mengevaluasi pengaruh penggunaan pupuk terhadap kualitas tanah. Metode yang digunakan melibatkan analisis data reflektansi dari beberapa jenis tanah, termasuk tanah gambut dan tanah mineral, yang diproses menggunakan KNN untuk mengenali pola kemiripan antar data dan Decision Tree untuk mengelompokkan tanah berdasarkan perbedaan reflektansi. Selain itu, pengaruh pupuk organik dan kimia terhadap kesuburan tanah juga dianalisis. Hasil penelitian menunjukkan bahwa KNN dan Decision Tree berhasil mencapai akurasi tinggi, dengan KNN efektif mengenali pola reflektansi dan Decision Tree mencapai tingkat akurasi 93,33%. Tanah gambut terbukti paling cocok untuk rotasi tanaman karena kandungan bahan organiknya yang tinggi, yang mendukung kelembapan dan kesuburan tanah secara optimal. Pupuk organik terbukti lebih unggul dalam menjaga kualitas tanah dibandingkan pupuk kimia, yang dalam penggunaan jangka panjang dapat menurunkan kualitas tanah. Kesimpulan penelitian ini menunjukkan bahwa metode KNN dan Decision Tree dapat diandalkan untuk klasifikasi tanah, mendukung pemilihan tanah yang sesuai untuk rotasi tanaman, dan merekomendasikan pupuk organik sebagai pilihan yang lebih berkelanjutan untuk menjaga kualitas tanah. Keterbatasan penelitian ini terdapat pada portabilitas alat pengukuran yang masih kurang efisien untuk pengumpulan data lapangan.]]>
Copyrights © 2025
