KLASIFIKASI MUSIM TANAM TANAMAN HORTIKULTURA BERDASARKAN PARAMETER CUACA DAN TANAH MENGGUNAKAN ENSEMBLE LEARNING

Abstract

Sektor pertanian memiliki peran strategis dalam mendukung ketahanan pangan dan stabilitas ekonomi di Indonesia. Salah satu faktor penting dalam keberhasilan produksi pertanian adalah ketepatan dalam menentukan musim tanam yang sesuai dengan kondisi lingkungan. Namun, perubahan iklim dan variabilitas parameter cuaca menyebabkan ketidakpastian dalam penentuan waktu tanam secara konvensional. Oleh karena itu, diperlukan pendekatan berbasis data untuk membantu penyuluh pertanian dalam memberikan rekomendasi musim tanam yang lebih akurat dan sistematis kepada petani. Penelitian ini bertujuan untuk mengembangkan sistem rekomendasi musim tanam tanaman hortikultura berdasarkan parameter cuaca dan tanah menggunakan metode machine learning Random Forest. Dataset yang digunakan diperoleh dari platform Kaggle yang mencakup parameter lingkungan seperti suhu, curah hujan, kelembapan, pH tanah, intensitas cahaya, serta kandungan unsur hara. Tahapan penelitian meliputi pra pemrosesan data, transformasi label musim, pembagian data latih dan data uji, serta pelatihan model menggunakan algoritma Random Forest. Sistem kemudian diimplementasikan dalam bentuk aplikasi berbasis web yang digunakan oleh penyuluh pertanian sebagai alat bantu dalam proses analisis dan pemberian rekomendasi musim tanam. Hasil evaluasi model menunjukkan bahwa Random Forest mampu mencapai akurasi sebesar 61,3%, dengan nilai precision sebesar 59,9%, recall sebesar 61,3%, dan F1-score sebesar 60,3% pada data uji. Hasil tersebut menunjukkan bahwa model memiliki kemampuan yang cukup baik dalam mengklasifikasikan musim tanam berdasarkan parameter lingkungan yang kompleks. Dengan demikian, sistem yang dikembangkan dapat membantu penyuluh pertanian dalam memberikan rekomendasi musim tanam yang lebih objektif dan berbasis data, sehingga diharapkan dapat meningkatkan efektivitas penentuan waktu tanam dan mendukung produktivitas tanaman hortikultura.