<![CDATA[Produksi padi merupakan komponen utama dalam menjaga ketahanan pangan nasional di Indonesia, mengingat beras adalah makanan pokok mayoritas penduduk. Namun, kestabilan produksi padi sering kali terganggu oleh berbagai faktor, terutama kondisi agronomis dan variabilitas iklim yang sulit diprediksi. Oleh karena itu, diperlukan pendekatan berbasis data yang mampu memodelkan kompleksitas faktor-faktor tersebut secara akurat. Penelitian ini bertujuan untuk membangun model prediksi produksi padi menggunakan algoritma Random Forest Regressor, sebuah metode pembelajaran mesin yang dikenal andal dalam menangani data non-linear dan kompleks. Dataset yang digunakan mencakup parameter pertanian seperti luas panen dan produktivitas, serta data iklim meliputi suhu, kelembaban udara, dan curah hujan, yang dikumpulkan dari sumber terbuka seperti Kaggle dan Badan Meteorologi Klimatologi dan Geofisika (BMKG) untuk rentang tahun 2018 hingga 2024. Metodologi yang diterapkan dalam penelitian ini terdiri dari beberapa tahapan, yaitu prapemrosesan data (penanganan nilai hilang dan normalisasi), analisis data eksploratif untuk memahami pola dan korelasi antar variabel, pelatihan model prediksi, serta evaluasi performa model menggunakan metrik Mean Squared Error (MSE) dan R-squared (R²). Hasil penelitian menunjukkan bahwa konfigurasi terbaik diperoleh saat data dibagi dengan rasio pelatihan dan pengujian sebesar 90:10, serta penggunaan 200 decision tree dalam model. Konfigurasi ini menghasilkan nilai MSE sebesar 0.0004 dan R² sebesar 0.9918, yang mengindikasikan tingkat akurasi prediksi yang sangat tinggi serta kemampuan model dalam merepresentasikan hubungan antar variabel dengan baik. Penelitian ini menunjukkan bahwa Random Forest Regressor efektif dalam memprediksi produksi padi dan berpotensi menjadi alat bantu pengambilan keputusan strategis bagi pemangku kepentingan di sektor pertanian.]]>
Copyrights © 2025
