STMIK DCISTMIK DCI

JUTEKIN (Jurnal Teknik Informatika)JUTEKIN (Jurnal Teknik Informatika)

Penelitian ini membahas pengembangan sistem prediksi hasil produksi agrikultur berbasis algoritma Random Forest. Tujuan dari sistem ini adalah untuk membantu petani dan pengambil kebijakan dalam memperkirakan hasil panen dengan lebih akurat menggunakan data historis pertanian seperti curah hujan, suhu udara, kelembapan, jenis tanaman, serta jenis tanah. Algoritma Random Forest dipilih karena kemampuannya dalam menangani data yang kompleks dan menghasilkan prediksi yang stabil. Sistem dibangun menggunakan bahasa pemrograman PHP dengan framework CodeIgniter 3 dan memanfaatkan dataset agrikultur yang telah dibersihkan dan dianalisis sebelumnya. Proses prediksi dilakukan dengan menyesuaikan parameter input dari pengguna melalui antarmuka web, kemudian diproses oleh model Random Forest yang telah dilatih sebelumnya. Hasil prediksi berupa estimasi produksi (dalam ton/ha) ditampilkan secara interaktif kepada pengguna. Pengujian dilakukan menggunakan metode cross-validation dan pengukuran akurasi menggunakan RMSE dan MAE. Hasil menunjukkan bahwa algoritma Random Forest mampu memberikan prediksi dengan tingkat kesalahan yang rendah dan stabil. Sistem ini diharapkan dapat menjadi alat bantu yang bermanfaat dalam perencanaan pertanian modern berbasis data.

Penelitian ini berhasil membangun sistem prediksi hasil produksi padi berbasis algoritma Random Forest yang mampu memproses data historis pertanian dan menghasilkan estimasi hasil panen yang akurat.Model Random Forest terbukti efektif dalam menangani data pertanian yang kompleks dan memberikan hasil prediksi yang stabil.Antarmuka sistem yang sederhana memudahkan pengguna dalam menginput data dan memperoleh hasil prediksi secara cepat, sehingga berpotensi memberikan kontribusi nyata dalam perencanaan pertanian berbasis data.

Pengembangan sistem ini dapat ditingkatkan dengan mengintegrasikan data cuaca real-time melalui API BMKG untuk memperbarui parameter cuaca secara otomatis. Penambahan fitur geografis berbasis GIS akan memungkinkan prediksi yang lebih spesifik sesuai dengan lokasi lahan pertanian. Selain itu, perlu dilakukan perbandingan dengan algoritma machine learning lain seperti Gradient Boosting atau XGBoost untuk mengoptimalkan akurasi prediksi. Uji coba langsung di lapangan dengan melibatkan petani dan dinas pertanian akan memberikan umpan balik berharga untuk meningkatkan efektivitas sistem. Terakhir, pengembangan aplikasi mobile akan memudahkan akses bagi petani di lokasi lahan, tanpa bergantung pada perangkat komputer, sehingga sistem ini dapat menjadi bagian integral dari upaya digitalisasi pertanian nasional dan mendukung peningkatan produktivitas serta ketahanan pangan.

Read online
File size319.91 KB
Pages9
DMCAReport

Related /

ads-block-test