Pemodelan Produksi Selada Berbasis Faktor Lingkungan dan Metode Budidaya dengan Pendekatan Machine Learning

Abstract

Penelitian ini bertujuan membangun model prediksi hasil panen selada menggunakan variabel lingkungan dan budidaya yang meliputi suhu, curah hujan, tingkat keasaman tanah (pH), kelembaban tanah, jumlah pemupukan, luas lahan, jenis pupuk, serta metode irigasi. Dataset terdiri dari 1.000 entri tanpa nilai hilang dan mencakup kombinasi fitur numerik dan kategorikal. Analisis awal menunjukkan bahwa kelembaban tanah, jumlah pemupukan, dan curah hujan memiliki korelasi positif yang lebih kuat terhadap hasil panen dibandingkan variabel lain. Proses persiapan data meliputi pembersihan data, standarisasi fitur numerik, pengodean fitur kategorikal, serta pembagian data menggunakan skema 80:20. Tiga algoritma diterapkan, yaitu Linear Regression, Random Forest Regressor, dan XGBoost Regressor. Evaluasi menggunakan MAE, RMSE, dan R² memperlihatkan bahwa XGBoost memberikan performa terbaik dengan R² sebesar 0,96, diikuti oleh Random Forest (R² = 0,86), sementara Linear Regression menunjukkan performa paling rendah (R² = 0,42). Hasil penelitian menegaskan bahwa metode ensemble, khususnya XGBoost, lebih efektif dalam menangkap hubungan kompleks antar variabel pada konteks prediksi hasil panen selada. Temuan ini berpotensi mendukung pengambilan keputusan bagi petani dalam perencanaan produksi secara lebih akurat.