Abstract:
Produksi padi merupakan salah satu faktor penting dalam menjaga ketahanan
pangan, khususnya di Indonesia yang menjadikan beras sebagai bahan pangan
utama. Namun, hasil panen padi sering dipengaruhi oleh berbagai faktor lingkungan
seperti curah hujan, suhu, kelembapan, pH tanah, serta kandungan unsur hara tanah
seperti nitrogen, fosfor, dan kalium. Ketidakpastian kondisi lingkungan tersebut
menyebabkan petani kesulitan dalam memprediksi potensi hasil panen secara
akurat. Oleh karena itu, diperlukan suatu sistem yang mampu membantu
memprediksi hasil panen padi berdasarkan kondisi lingkungan dan tanah secara
cepat dan akurat. Penelitian ini bertujuan untuk membangun sistem prediksi hasil
panen padi berbasis machine learning dengan menggunakan algoritma CatBoost
dan ExtraTrees, serta mengimplementasikan Explainable Artificial Intelligence
(XAI) menggunakan metode SHAP (SHapley Additive Explanations) untuk
memberikan interpretasi terhadap hasil prediksi model. Dataset yang digunakan
terdiri dari 1500 data yang memuat variabel curah hujan, suhu, kelembapan, pH
tanah, nitrogen, fosfor, dan kalium dengan tiga kelas hasil panen yaitu rendah,
sedang, dan tinggi. Data kemudian diproses menggunakan metode train-test split
dengan proporsi 80% data pelatihan dan 20% data pengujian. Hasil penelitian
menunjukkan bahwa algoritma CatBoost memiliki performa yang lebih baik
dibandingkan ExtraTrees dengan nilai akurasi yang lebih tinggi. Berdasarkan
evaluasi menggunakan ROC Curve, model CatBoost memperoleh nilai AUC
sebesar 0,99 pada kelas rendah, 0,98 pada kelas sedang, dan 0,99 pada kelas tinggi,
yang termasuk dalam kategori excellent classification. Sementara itu, model
ExtraTrees memperoleh nilai AUC sebesar 0,96 pada kelas rendah, 0,81 pada kelas
sedang, dan 0,93 pada kelas tinggi. Analisis menggunakan metode SHAP
menunjukkan bahwa faktor yang paling berpengaruh terhadap hasil prediksi panen
adalah nitrogen, pH tanah, dan kelembapan. Sistem yang dibangun juga
x
diimplementasikan dalam bentuk aplikasi web berbasis Laravel yang dapat
digunakan untuk melakukan prediksi dan memberikan analisis kondisi lahan secara
otomatis. Dengan adanya sistem ini diharapkan dapat membantu petani atau
pengguna dalam mengetahui potensi hasil panen padi serta memahami faktor-faktor
lingkungan yang mempengaruhi hasil panen sehingga dapat menjadi alat bantu
pengambilan keputusan (decision support system) dalam pengelolaan lahan
pertanian.
