<![CDATA[Ketidakpastian produksi pertanian merupakan tantangan krusial yang memengaruhi ketahanan pangan dan kesejahteraan petani di Indonesia. Penelitian ini bertujuan mengembangkan model prediksi produksi pertanian berbasis machine learning menggunakan data lapangan yang komprehensif. Data dikumpulkan dari lahan pertanian di Kota Lhokseumawe dan Kabupaten Aceh Utara selama tiga musim tanam, mencakup parameter tanah, iklim mikro, praktik budidaya, dan hasil panen aktual, dengan total 432 observasi. Empat algoritma machine learning dibandingkan, yaitu Random Forest, Support Vector Regression, XGBoost, dan Artificial Neural Network. Hasil penelitian menunjukkan bahwa XGBoost memberikan performa terbaik dengan nilai R² sebesar 0,89 dan RMSE 0,52 ton/ha pada dataset pengujian. Validasi lapangan pada musim tanam berikutnya mengonfirmasi kemampuan generalisasi model dengan RMSE 0,61 ton/ha. Analisis interpretabilitas model mengidentifikasi dosis pupuk nitrogen, kandungan C-organik tanah, dan curah hujan sebagai faktor paling berpengaruh terhadap produksi, dengan hubungan non-linear yang menunjukkan ambang optimal curah hujan pada kisaran 1.800–2.200 mm per musim tanam. Hasil penelitian ini menunjukkan bahwa integrasi machine learning dan data lapangan mampu menghasilkan prediksi produksi yang akurat dan relevan untuk mendukung pengambilan keputusan dalam sistem pertanian Indonesia.]]>
Copyrights © 2025
