JUTEKIN Vol 13 No.
Ae ISSN : 2338-1477 Ae EISSN : 2541-6375
JURNAL TEKNIK INFORMATIKA
Halaman Jurnal: http://jurnal.
stmik-dci.
id/index.
php/jutekin/ Halaman LPPM STMIK DCI : http://lppm.
stmik-dci.
SISTEM PREDIKSI HASIL PRODUKSI AGRIKULTUR
MENGGUNAKAN ALGORITMA RANDOM FOREST
Fikri Nurpazri 1.
Awit Marwati Sakinah2 Program Studi Teknik Informatika.
STMIK DCI Email : fikrinurfazri93@gmail.
com@gmail.
com 1, awitsakinah@gmail.
ABSTRAK
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 .
alam ton/h.
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.
Kata kunci: Prediksi.
Agrikultur.
Random Forest.
CodeIgniter.
Data Mining PENDAHULUAN Permasalahan dalam sektor pertanian di Indonesia masih sangat kompleks, salah satunya terkait ketidakpastian hasil produksi yang disebabkan oleh banyak faktor seperti perubahan iklim, jenis tanah, teknik budidaya, serta fluktuasi kondisi cuaca.
Proses perencanaan tanam dan distribusi hasil panen seringkali masih dilakukan secara manual berdasarkan pengalaman petani, yang berisiko menimbulkan ketidaktepatan dan inefisiensi dalam pengelolaan sumber daya pertanian.
Seiring dengan berkembangnya teknologi, khususnya di bidang data science dan kecerdasan buatan, kini Fikri Nurpazri.
Awit Marwati Sakinah / Jurnal Teknik Informatika Vol 13.
No.
109 - 117
tersedia pendekatan prediktif berbasis algoritma machine learning untuk keputusan dalam sektor agrikultur.
Salah satu metode yang terbukti efektif dalam menghasilkan prediksi dengan tingkat akurasi tinggi adalah algoritma Random Forest.
Algoritma ini mampu mengolah data agrikultur historis dan menghasilkan estimasi produksi berdasarkan variabel-variabel lingkungan yang memengaruhi hasil Sistem prediksi yang dibangun dalam penelitian ini menggunakan algoritma Random Forest untuk pertanian .
alam satuan ton/hekta.
berdasarkan input data seperti curah hujan, suhu udara, jenis tanah, dan jenis tanaman.
Sistem ini dirancang dengan antarmuka berbasis web menggunakan framework CodeIgniter 3 yang memungkinkan pengguna menginput data dan mendapatkan prediksi secara langsung.
Tujuan dari penelitian ini adalah sebagai berikut:
A Merancang dan membangun sistem prediksi hasil produksi agrikultur berbasis algoritma Random Forest menggunakan data historis pertanian.
A Mengintegrasikan prediksi ke dalam antarmuka web yang dapat digunakan oleh pengguna umum, khususnya petani atau penyuluh pertanian.
A Menguji dan memastikan bahwa memberikan output estimasi hasil panen yang akurat dan relevan berdasarkan data yang Tangan merupa Penelitian ini memiliki beberapa manfaat, antara lain:
Bagi Ilmu Pengetahuan Penelitian ini berkontribusi pada pengembangan penerapan algoritma Random Forest dalam bidang agrikultur, serta memperluas pemanfaatan machine learning dalam memprediksi hasil panen secara akurat.
Bagi Peneliti Penelitian mengimplementasikan sistem prediksi memperkuat kemampuan dalam mengintegrasikan pemodelan machine learning ke dalam platform web secara Bagi Perguruan Tinggi Hasil penelitian ini dapat menjadi referensi dan sumber pembelajaran bagi mahasiswa serta akademisi dalam pengembangan sistem cerdas berbasis algoritma prediktif, khususnya pada sektor pertanian yang sangat strategis di Indonesia.
Penelitian ini juga didasari oleh teori-teori yang berkaitan dengan sistem prediksi, algoritma Random Forest, serta proses pengolahan data Pendekatan ini diharapkan mampu menjadi solusi yang lebih modern, presisi, dan berbasis data berkelanjutan di Indonesia.
II.
LANDASAN TEORI
Sistem Menurut Jogiyanto .
, sistem adalah suatu jaringan kerja dari prosedur-prosedur bersama-sama untuk melakukan suatu kegiatan tertentu guna mencapai tujuan tertentu.
Sistem dapat terdiri dari beberapa komponen yang saling Fikri Nurpazri.
Awit Marwati Sakinah / Jurnal Teknik Informatika Vol 13.
No.
109 - 117
bekerja sama dan berinteraksi untuk mengolah data menjadi informasi yang Dalam konteks teknologi informasi, sistem berperan penting dalam memproses data secara informasi yang relevan.
4 Algoritma Random Forest Random Forest adalah algoritma machine learning berbasis pohon keputusan .
ecision tre.
yang dikembangkan oleh Breiman .
Algoritma ini menggunakan teknik ensemble, yaitu menggabungkan banyak pohon keputusan untuk menghasilkan prediksi yang lebih stabil dan akurat.
Setiap pohon dalam Random Forest dilatih menggunakan subset acak dari data dan fitur, kemudian hasil dari seluruh pohon digabungkan untuk menghasilkan keputusan akhir.
Random Forest banyak digunakan dalam klasifikasi dan regresi karena tahan terhadap overfitting dan mampu menangani data dengan banyak variabel.
Prediksi Prediksi merupakan proses memperkirakan sesuatu yang belum terjadi berdasarkan data atau kondisi yang telah diketahui sebelumnya.
Dalam dunia teknologi informasi, menggunakan pendekatan statistik atau algoritma pembelajaran mesin .
achine learnin.
Tujuan dari prediksi adalah untuk memberikan gambaran atau estimasi terhadap hasil atau kondisi di masa yang akan datang, sehingga dapat dijadikan dasar dalam pengambilan keputusan.
5 Data Mining Data mining adalah proses menemukan pola-pola penting dari sejumlah besar data menggunakan teknik statistik, matematika, dan algoritma pemrograman.
Tujuan dari data mining adalah menggali informasi tersembunyi yang dapat digunakan Dalam sektor pertanian, menganalisis data historis pertanian guna memahami hubungan antara variabel lingkungan dengan hasil Pertanian (Agrikultu.
Pertanian hortikultura, dan perkebunan yang bertujuan untuk menghasilkan bahan pangan dan kebutuhan lain.
Menurut Kementerian Pertanian RI .
, hasil produksi pertanian sangat bergantung pada faktor lingkungan seperti curah hujan, suhu, kelembapan, jenis tanah, dan teknik budidaya yang diterapkan.
Oleh karena itu, pengelolaan data dan informasi dalam pertanian menjadi hal produktivitas dan efisiensi sektor 6 Framework CodeIgniter CodeIgniter adalah framework PHP yang bersifat open source dan digunakan untuk membangun aplikasi berbasis web dengan pola ModelView-Controller (MVC).
Framework ini dikenal ringan, cepat, dan mudah digunakan oleh pengembang pemula Fikri Nurpazri.
Awit Marwati Sakinah / Jurnal Teknik Informatika Vol 13.
No.
109 - 117
Dalam CodeIgniter antarmuka pengguna dan model prediksi yang dibangun.
7 Curah Hujan dan Suhu Curah hujan dan suhu merupakan faktor lingkungan utama yang memengaruhi hasil produksi tanaman.
Menurut FAO .
, ketidaksesuaian curah hujan dengan kebutuhan air tanaman dapat menyebabkan stres air yang berdampak pada penurunan Suhu yang terlalu tinggi atau terlalu rendah juga memengaruhi pertumbuhan dan proses fisiologis pengalaman atau perkiraan pribadi tanpa dasar data historis yang kuat.
Padahal, hasil produksi pertanian sangat dipengaruhi oleh berbagai faktor seperti curah hujan, suhu, jenis Ketidaksesuaian dalam pengelolaan faktor-faktor menyebabkan hasil panen tidak sesuai menimbulkan kerugian ekonomi.
Oleh karena itu, dibutuhkan sistem prediksi yang mampu memberikan estimasi hasil produksi secara kuantitatif dan dapat diakses oleh petani atau penyuluh pertanian.
Permasalahan sistem prediksi hasil panen yang ada saat ini adalah:
Belum pembelajaran mesin yang dapat diakses secara praktis oleh pengguna di lapangan.
Ketergantungan pada asumsi subjektif dan pengalaman memperkirakan hasil panen.
Sulitnya mengintegrasikan berbagai variabel pertanian seperti iklim, jenis tanah, dan jenis tanaman ke dalam satu sistem yang komprehensif.
Minimnya teknologi machine learning dalam mendukung proses pengambilan keputusan di bidang pertanian, terutama pada skala petani kecil.
8 Jenis Tanah Jenis tanah berperan penting dalam menentukan ketersediaan unsur hara dan kapasitas tanah dalam menyimpan air.
Tanah lempung, pasir, atau gambut memiliki karakteristik pertumbuhan tanaman.
Oleh karena itu, dalam sistem prediksi agrikultur, parameter jenis tanah menjadi salah satu faktor yang perlu diperhitungkan.
ANALISIS MASALAH
Produksi pertanian di Indonesia masih menghadapi berbagai tantangan yang menyebabkan hasil panen tidak Salah satu permasalahan utama adalah tidak adanya sistem prediksi yang akurat dan dapat diandalkan oleh petani dalam merencanakan musim tanam, memilih jenis komoditas, serta menentukan kebutuhan input seperti pupuk dan air.
Selama ini, prediksi hasil panen umumnya dilakukan berdasarkan Analisis Kebutuhan Sistem Dari hasil observasi dan pengumpulan kebutuhan, sistem prediksi hasil produksi agrikultur yang akan Fikri Nurpazri.
Awit Marwati Sakinah / Jurnal Teknik Informatika Vol 13.
No.
109 - 117
beberapa kriteria, yaitu:
Memiliki pertanian seperti curah hujan, suhu, jenis tanaman, jenis tanah, dan waktu Menggunakan .
achine learnin.
, dalam hal ini Random Forest, untuk menghasilkan prediksi dalam bentuk kuantitatif .
isalnya ton/h.
Menyediakan berbasis web yang sederhana dan mudah digunakan oleh belakang teknis.
Memberikan hasil prediksi secara cepat, akurat, dan dapat ditampilkan dalam bentuk grafik atau teks yang Dapat dikembangkan lebih lanjut untuk integrasi dengan data cuaca aktual dan perangkat seluler.
yang lebih akurat dan dapat dijadikan dasar dalam pengambilan keputusan agrikultur yang lebih baik.
IV PERANCANGAN SISTEM
Perancangan sistem prediksi hasil produksi agrikultur dilakukan sebagai estimasi hasil panen yang selama ini masih mengandalkan pengalaman petani atau prakiraan manual.
Sistem ini dirancang untuk menerima input parameter-parameter lingkungan dan teknis pertanian, kemudian diproses menggunakan algoritma Random Forest untuk menghasilkan prediksi hasil produksi secara akurat dan cepat.
Sistem dibangun dalam bentuk aplikasi berbasis web agar mudah diakses oleh pengguna melalui perangkat komputer maupun seluler.
Kebutuhan Sistem Perangkat Keras Komponen utama perangkat keras yang digunakan adalah sebagai A Laptop atau Komputer Digunakan untuk menjalankan server lokal, melakukan pelatihan model .
Spesifikasi minimal yang digunakan:
o Prosesor: Intel Core i3 o RAM: 4GB o Penyimpanan: 100GB o Sistem Operasi:
Windows/Linux A Perangkat Mobile .
Untuk pengujian akses antarmuka melalui browser pada smartphone dengan minimal RAM 2GB dan browser modern seperti Chrome atau Firefox.
Kesimpulan Analisis Berdasarkan uraian di atas, dapat disimpulkan bahwa sistem prediksi hasil produksi pertanian yang berbasis algoritma Random Forest merupakan solusi yang relevan untuk mengatasi masalah prediksi hasil panen secara manual yang selama ini dilakukan.
Sistem ini tidak hanya mengandalkan intuisi petani, tetapi memanfaatkan data historis yang dikombinasikan dengan kecerdasan buatan agar mampu memberikan estimasi hasil Fikri Nurpazri.
Awit Marwati Sakinah / Jurnal Teknik Informatika Vol 13.
No.
109 - 117
Perangkat Lunak Beberapa perangkat lunak yang digunakan dalam perancangan dan implementasi sistem ini, yaitu:
A CodeIgniter 3
Framework
PHP
membangun antarmuka web dan manajemen form input/output data prediksi.
A XAMPP / Laragon Untuk menjalankan server lokal (Apache.
MySQL) selama proses pengembangan dan pengujian.
A Visual Studio Code Sebagai teks editor dalam pengembangan aplikasi web.
A Spreadsheet / Excel Untuk membersihkan data pertanian historis yang digunakan dalam pelatihan model.
RANCANGAN BLOK SISTEM
Sistem terdiri atas tiga komponen utama, yaitu:
Input Data Pengguna memasukkan parameter agrikultur seperti:
o Jenis tanaman o Curah hujan .
o Suhu udara (AC) o Jenis tanah o Waktu tanam .
Pemrosesan Model Random Forest Data input dikirim melalui antarmuka web ke backend sistem.
Backend kemudian meneruskan data tersebut ke model Random Forest yang telah dilatih untuk menghasilkan prediksi hasil produksi dalam bentuk angka .
isalnya ton/hekta.
Output Prediksi Hasil prediksi dikembalikan ke antarmuka pengguna dan ditampilkan dalam bentuk teks dan grafik.
Sistem juga menyimpan hasil prediksi untuk keperluan monitoring atau pelaporan.
V IMPLEMENTASI SISTEM
Implementasi sistem prediksi hasil produksi agrikultur ini difokuskan pada komoditas padi, mengingat padi pertanian di Indonesia dan menjadi sumber pangan pokok masyarakat.
Sistem dikembangkan dalam bentuk berbasis algoritma Random Forest untuk memperkirakan hasil produksi padi .
alam satuan ton/hekta.
berdasarkan data lingkungan dan Instalasi dan Integrasi Sistem Pengembangan sistem dilakukan menggunakan framework CodeIgniter 3 pada sisi backend dan Python sebagai membangun model prediksi Random Forest.
Model dilatih menggunakan data historis hasil produksi padi yang utama, yaitu:
A Curah hujan .
A Suhu rata-rata (AC) A Jenis tanah A Bulan tanam A pH tanah Setelah proses pelatihan, model disimpan dalam format .
pkl dan diakses melalui API lokal yang dibangun menggunakan Flask.
Aplikasi memasukkan nilai parameter tersebut melalui form, dan hasil prediksi akan ditampilkan secara real time.
Tabel Uji Prediksi Sistem Padi Fikri Nurpazri.
Awit Marwati Sakinah / Jurnal Teknik Informatika Vol 13.
No.
109 - 117
Berikut adalah hasil pengujian terhadap beberapa skenario input parameter untuk padi:
Pengujian dilakukan secara fungsional dan integratif.
Sistem diuji terhadap berbagai kombinasi nilai input realistis berdasarkan data historis pertanian padi di Indonesia.
Hasil prediksi yang dihasilkan menunjukkan bahwa model Random Forest dapat memberikan estimasi produksi dengan waktu respon cepat dan tingkat akurasi yang Selain itu, integrasi antara antarmuka web dan model prediksi berjalan lancar tanpa adanya gangguan dalam komunikasi data.
VI KESIMPULAN
Berdasarkan hasil perancangan dan implementasi sistem prediksi hasil produksi agrikultur menggunakan algoritma Random Forest untuk komoditas padi, dapat disimpulkan beberapa hal sebagai berikut:
Sistem yang dibangun mampu memproses data historis pertanian seperti curah hujan, suhu udara, jenis tanah, pH tanah, dan bulan tanam, untuk menghasilkan estimasi hasil ton/hektar.
Model Random Forest yang diterapkan memberikan hasil prediksi yang stabil dan akurat berdasarkan pengujian Algoritma ini juga mampu menangani data pertanian yang bersifat non-linear dan multivariat secara efektif.
Antarmuka sistem yang sederhana memudahkan pengguna seperti petani atau penyuluh pertanian untuk menginput data dan memperoleh hasil prediksi secara cepat.
Sistem dapat diakses melalui browser tanpa memerlukan instalasi tambahan.
Tampilan Antarmuka Sistem Tampilan antarmuka sistem terdiri dari beberapa bagian utama:
A Form Input Parameter Padi Pengguna dapat memasukkan nilai curah hujan, suhu, jenis tanah, pH tanah, dan bulan tanam melalui form sederhana.
A Hasil Prediksi Produksi Padi Output berupa prediksi hasil produksi ditampilkan dalam satuan ton/ha, disertai grafik perbandingan antar input.
A Riwayat Prediksi Sistem mencatat seluruh hasil prediksi yang telah dilakukan untuk keperluan pemantauan dan Pengujian Sistem Fikri Nurpazri.
Awit Marwati Sakinah / Jurnal Teknik Informatika Vol 13.
No.
109 - 117
Sistem ini memberikan kontribusi nyata dalam membantu perencanaan pertanian berbasis data, khususnya pada komoditas padi, dengan menyediakan informasi prediksi hasil panen yang dapat digunakan untuk menentukan strategi tanam, distribusi, dan pemasaran hasil.
SARAN
Sistem prediksi hasil produksi padi ini masih merupakan tahap awal dari pengembangan dan memiliki sejumlah Oleh karena itu, beberapa saran yang dapat dijadikan pertimbangan untuk pengembangan lebih lanjut antara lain:
Sistem dapat dikembangkan lebih lanjut dengan integrasi data cuaca real-time melalui API resmi dari BMKG memasukkan parameter cuaca secara Penambahan fitur geografis berbasis GIS dapat memberikan prediksi yang lebih spesifik sesuai lokasi sawah atau daerah pertanian.
Model Random Forest yang digunakan saat ini dapat dibandingkan dengan algoritma lain seperti Gradient Boosting atau XGBoost untuk mendapatkan akurasi yang lebih tinggi.
Perlu dilakukan uji coba langsung di kelompok tani atau dinas pertanian daerah untuk mendapatkan umpan balik nyata terhadap efektivitas sistem.
Pengembangan aplikasi mobile akan sangat membantu para petani dalam mengakses sistem secara langsung di lokasi lahan, tanpa harus bergantung pada perangkat komputer.
Dengan pengembangan berkelanjutan, sistem ini diharapkan dapat menjadi bagian dari upaya digitalisasi pertanian produktivitas dan ketahanan pangan.
DAFTAR PUSTAKA