<![CDATA[Abstract: Oil palm land rejuvenation is an essential step in maintaining long-term productivity. However, uncertainty about post-rejuvenation productivity poses a significant challenge for farmers and plantation managers. This study aims to develop a predictive model for oil palm land productivity after rejuvenation using machine learning algorithms. The methods used include historical production data collection, environmental factors, and plant characteristics. The tested algorithms include Linear Regression, Random Forest, and Artificial Neural Network (ANN). The results indicate that the Random Forest model has the highest accuracy in predicting productivity with an R-squared value of 0.87. Implementing this model is expected to support more accurate decision-making in oil palm plantation management. Keyword: Oil Palm; Rejuvenation; Productivity Prediction; Machine Learning Abstrak: Peremajaan lahan kelapa sawit merupakan langkah penting dalam mempertahankan produktivitas jangka panjang. Namun, ketidakpastian mengenai produktivitas pasca peremajaan menjadi tantangan utama bagi para petani dan pengelola perkebunan. Studi ini bertujuan untuk mengembangkan model prediksi produktivitas lahan kelapa sawit pasca peremajaan dengan menggunakan algoritma machine learning. Metode yang digunakan mencakup pengumpulan data historis produksi, faktor lingkungan, serta karakteristik tanaman. Algoritma yang diuji meliputi Regresi Linear, Random Forest, dan Artificial Neural Network (ANN). Hasil penelitian menunjukkan bahwa model Random Forest memiliki akurasi tertinggi dalam memprediksi produktivitas dengan nilai R-squared sebesar 0,87. Implementasi model ini diharapkan dapat membantu pengambilan keputusan yang lebih akurat dalam manajemen perkebunan kelapa sawit. Kata kunci: Kelapa Sawit; Peremajaan; Prediksi Produktivitas; Machine Learning]]>
Copyrights © 2025
