<![CDATA[Pulau Sumatera merupakan salah satu wilayah utama pengembangan kelapa sawit di Indonesia dengan karakteristik biofisik yang kompleks. Pemanfaatan lahan yang tidak mempertimbangkan kesesuaian biofisik berpotensi menurunkan produktivitas dan meningkatkan degradasi lingkungan. Penelitian ini bertujuan mengintegrasikan pendekatan berbasis aturan FAO dengan metode machine learning untuk memodelkan kesesuaian lahan kelapa sawit secara lebih interpretatif. Algoritma Decision Tree digunakan untuk mempelajari pola klasifikasi dari kriteria FAO dan dibandingkan dengan K-Nearest Neighbor (KNN). Variabel penelitian meliputi kemiringan lereng, curah hujan, suhu udara, pH tanah, tekstur tanah, kedalaman tanah, dan tutupan lahan. Dataset diperoleh dari ekstraksi data raster ke format tabular dengan pembagian data latih dan uji sebesar 80:20. Hasil penelitian menunjukkan kelas S2 mendominasi wilayah penelitian sebesar 61,06%, diikuti S3 sebesar 18,46%, S1 sebesar 14,26%, dan N sebesar 6,22%. Evaluasi cross-validation menunjukkan akurasi Decision Tree sebesar 88,94% dan KNN sebesar 87,18%. Decision Tree memiliki performa lebih stabil dan mudah diinterpretasikan. Penelitian ini menunjukkan integrasi FAO dan machine learning dapat mendukung perencanaan penggunaan lahan yang lebih objektif, transparan, dan berkelanjutan.]]>
Copyrights © 2026
