Algoritma Random Forest Untuk Memprediksi Jenis Tanaman Berdasarkan Peramalan Cuaca dan Lingkungan

Abstract

Pertanian menghadapi banyak tantangan karena perubahan iklim dan ketidak pastian cuaca, terutama dalam memilih jenis tanaman yang cocok dengan kondisi lingkungan yang terus berubah. Tujuan penelitian ini adalah untuk mengembangkan model prediksi jenis tanaman yang optimal yang menggabungkan peramalan cuaca dengan metode time series dan penggunaan algoritma Random Forest. Untuk mendapatkan informasi yang akurat tentang kondisi cuaca di masa depan, parameter cuaca seperti suhu, kelembapan, dan curah hujan diprediksi. Data cuaca yang digunakan berasal dari kumpulan data BMKG, yang terdiri dari data dari Stasiun Meteorologi Trunojoyo di Sumenep. Dataset publik Kaggle digunakan untuk memberikan rekomendasi tanaman. Data ini mencakup berbagai informasi tentang berbagai jenis tanaman serta faktor lingkungan yang mempengaruhi pertumbuhannya. Untuk menilai akurasi model peramalan cuaca, evaluasi dilakukan menggunakan metrik MAE (Kesalahan Absolut Rata-rata), MSE (Kesalahan Kuadrat Rata-rata), RMSE (Kesalahan Akar kuadrat dari MSE), MAPE (Kesalahan Persentase Rata-rata), dan R2 (Koefisien Determinasi). Model Random Forest menunjukkan performa yang baik pada semua parameter cuaca yang diprediksi: untuk curah hujan diperoleh MAE sebesar 3.806, MSE sebesar 65.953, RMSE sebesar 8.121, dan R² sebesar 0.603; untuk kelembapan rata-rata diperoleh MAE sebesar 1.721, MSE sebesar 5.134, RMSE sebesar 2.265, MAPE sebesar 2.225, dan R² sebesar 0.885; sedangkan untuk suhu rata-rata diperoleh MAE sebesar 0.301, MSE sebesar 0.145, RMSE sebesar 0.381, MAPE sebesar 1.061, dan R² sebesar 0.872. Setelah peramalan cuaca selesai, hasil prediksi cuaca digunakan untuk menentukan jenis tanaman yang sesuai dengan kondisi lingkungan saat ini. Untuk mengevaluasi kinerja model Random Forest, metrik akurasi, recall, confusion matrix, dan skor F1 digunakan. Hasil penelitian menunjukkan bahwa model yang dikembangkan memiliki tingkat akurasi yang sangat tinggi, mencapai 99,32%, menunjukkan bahwa algoritma Random Forest dapat memberikan rekomendasi tanaman dengan lebih presisi daripada metode lain. Penelitian ini membantu pengelolaan pertanian yang lebih berbasis data dengan memprediksi jenis tanaman dengan mempertimbangkan faktor cuaca dan lingkungan.

Kata kunci: Peramalan cuaca, Prediksi tanaman, Random Forest, Model time series Perubahan iklim, pertanian presisi