Komparasi Model Machine Learning untuk Estimasi Yield Tebu Berbasis Indeks Vegetasi Sentinel-2 di Kabupaten Jember
Tahun 2026 · Penulis: Hoirul Anam
Faculty of Agricultural Technology, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/13790
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Terjemahan mesin (opus-mt-en-id) · dipakai untuk pengindeksan
Komparasi Model Machine Learning untuk Estimasi Yield Tebu Berbasis Indeks Vegetasi Sentinel-2 di Kabupaten Jember
Perkiraan hasil tebu yang akurat sangat penting bagi para petani, industri gula, dan pembuat kebijakan pertanian, namun metode survei lapangan konvensional masih terbatas dalam cakupan spasial, ketepatan waktu, dan biaya operasional. Penelitian ini membandingkan kinerja tiga algoritma belajar mesin, RF, SVM, dan DT, dalam memprediksi hasil tebu di Kabupaten Jember menggunakan gambar Sentinel-2, dan mengidentifikasi indikator yang paling berpengaruh sebagai prediktor. Data penelitian dikumpulkan dari 38 plot tebu di empat sub-distrikt selama satu musim pertumbuhan. Lima tanaman indikes (NDVI, GNDVI, NDII, NDRE, dan SAVI) diekstrak melalui GEE sebagai maksimum, median, dan nilai-nilai yang berarti, menghasilkan 15 calon prediktor. Pilihan variabel dilakukan secara berurutan melalui Spearman Rank Corelation dan tiga iterasi pengujian VIF, menghasilkan tiga prediksi akhir: GNDVIMax, NDIIMax, dan NDREDEMax. Evaluasi model bekerja dengan LOOCV R2, RMSE, MAE, dan MAPE. SVM dengan RBF kernel mencapai kinerja terbaik (R2 = 0,2987; RMSE = 11,8591 ton/ha; MAE = 8,5377 ton/ha; MAPE = 6,85%), diikuti oleh RF (R2 = 0,1814), dan DT (R2 = 0,0039). Analisis penting yang diindetififikasi NDREMAx sebagai prediktor yang paling dominan (55,3%), diikuti oleh NDIIMax (31,6%) dan GNDVIMax (13,2%), konsisten dengan temuan korelasi Spearman. Nilai R2 yang rendah di seluruh model dikaitkan dengan ukuran sampel yang terbatas, nilai kompos tunggal per musim pertumbuhan, termasuk kondisi varietas, dan tanah, yang juga mempengaruhi produktivitas tebu. Penelitian ini menyediakan dasar ilmiah pertama untuk penginderaan jarak jauh dan berbasis mesin belajar tebu estimasi hasil di Kabupaten Jember.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,855
Tahun 2026 · Penulis: Irzaqun Nuril Maulidiya
Estimasi Produktivitas Tebu di Wilayah Perkebunan Glenmore Menggunakan Indeks Vegetasi Berdasarkan Analisis Truncated Spline
Produktivitas tebu merupakan parameter penting dalam mendukung kebutuhan gula nasional, namun estimasinya di lapangan masih banyak dilakukan menggunakan metode konvensional yang memerlukan waktu dan biaya besar. Pemanfaatan penginderaan jauh melalui citra sate
- Cosine 0,851
Tahun 2026 · Penulis: Irzaqun Nuril Maulidiya
Estimasi Produktivitas Tebu di Wilayah Perkebunan Glenmore Menggunakan Indeks Vegetasi Berdasarkan Analisis Truncated Spline
Perkiraan yang akurat tentang produktivitas tebu sangat penting untuk merencanakan dan mengelola produksi gula nasional. Namun, metode yang umum digunakan di lapangan untuk menentukan produktivitas tebu masih bergantung pada pengukuran konvensional yang memerl
- Cosine 0,849
Tahun 2026 · Penulis: Ikmal Maulana Muhammad
Pengembangan Model Penentuan Produksi Padi Berbasis Data Indeks Vegetasi dan Data Iklim Menggunakan Algoritma Random Forest
Kabupaten Jember, salah satu pusat produksi padi utama di Jawa Timur, terus menghadapi fluktuasi produksi yang didorong oleh tumbuhan dan faktor iklim. Metode pengumpulan data konvensional, seperti bentuk survei Statistik Agricultural dan pendekatan perkiraan