UNIPOLUNIPOL

Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (JISTI)Jurnal Ilmiah Sistem Informasi dan Teknik Informatika (JISTI)

Produktivitas jagung dipengaruhi oleh faktor agroklimat dan karakteristik tanah yang saling berinteraksi secara kompleks, sehingga diperlukan pendekatan prediktif yang akurat sekaligus interpretatif. Penelitian ini berfokus pada pembangunan model prediksi produktivitas jagung berbasis machine learning yang didukung oleh seleksi fitur adaptif dan explainable machine learning. Dataset terdiri atas 180 observasi yang mencakup variabel produktivitas jagung, agroklimat, dan sifat tanah. Tahapan penelitian meliputi pra‑pemrosesan data, seleksi fitur adaptif, pengembangan model, evaluasi performa, dan analisis feature importance. Model yang diuji meliputi Elastic Net, Random Forest, dan Gradient Boosting. Hasil penelitian menunjukkan bahwa seleksi fitur adaptif berhasil mereduksi 10 fitur numerik awal menjadi 6 fitur optimal, yaitu curah hujan, penyinaran, suhu rata‑rata, elevasi, nitrogen, dan pH tanah. Model terbaik diperoleh pada Random Forest setelah seleksi fitur dengan nilai RMSE sebesar 0,548, MAE sebesar 0,426, dan R² sebesar 0,528. Analisis explainability menunjukkan bahwa curah hujan merupakan fitur paling dominan, diikuti pH tanah, suhu rata‑rata, elevasi, penyinaran, dan nitrogen. Temuan ini menegaskan bahwa integrasi seleksi fitur adaptif dan explainable machine learning efektif untuk menghasilkan model prediksi produktivitas jagung yang lebih akurat, efisien, dan interpretatif.

Penelitian ini membuktikan bahwa pendekatan machine learning dapat secara efektif memprediksi produktivitas jagung ketika didukung oleh data agroklimat dan karakteristik tanah.Hubungan antara produktivitas jagung dan variabel prediktor bersifat kompleks dan tidak sepenuhnya linear, sehingga model nonlinier seperti Random Forest lebih cocok daripada model linier sederhana.Seleksi fitur adaptif berhasil menyederhanakan model dengan mempertahankan fitur paling relevan, meningkatkan efisiensi tanpa kehilangan informasi penting.

Penelitian selanjutnya dapat memperluas pendekatan seleksi fitur adaptif dengan menggabungkan metode filter, wrapper, dan embedded untuk meningkatkan daya prediktif dan interpretabilitas model; mengevaluasi model Random Forest dengan variasi parameter dan teknik regulasi berbeda untuk menilai stabilitas hasil pada dataset yang lebih besar dan beragam; serta menerapkan teknik explainable machine learning berbasis SHAP pada data real‑time sensor agrikultur guna mengembangkan sistem rekomendasi pengelolaan lahan yang responsif terhadap kondisi iklim dan tanah.

Read online
File size819.44 KB
Pages13
DMCAReport

Related /

ads-block-test