Pengembangan Model Penentuan Produksi Padi Berbasis Data Indeks Vegetasi dan Data Iklim Menggunakan Algoritma Random Forest
Tahun 2026 · Penulis: Ikmal Maulana Muhammad
Faculty of Mathematics and Natural Sciences, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/14882
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Terjemahan mesin (opus-mt-en-id) · dipakai untuk pengindeksan
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 mata, dibatasi oleh proses pengumpulan data yang panjang dan akurasi suboptimal. Penelitian ini bertujuan untuk mengembangkan model estimasi produksi padi yang akurat dan efisien dengan memadukan data indeks dan data iklim vegetasi. Penelitian ini dilakukan dalam dua tahap utama: konstruksi dataset dan model pembelajaran Mesin. Vegetation indices (NDVI, GNDVI, dan EVI) diekstrak dari Gambar Landsat 8 menggunakan platform Google Earth Engine (Gee), dihaluskan menggunakan filter Savitzky-Golay (SG), dan digregat menggunakan trapeezoidal Area Under Curve (AUC). Data Climatik, kompresi curah hujan dan suhu, diperoleh dari ChiRPS dan data ERA5-Land, masing-masing. Modeling dilakukan menggunakan algoritma Random Forest, menggabungkan analisis outlier, pengujian multicollinearitas melalui Variance Inflasi Factor (VIF), dan perbandingan 70:30 dan 80:20 kereta-test split skenario. Analisis multicollinearity menunjukkan bahwa AUC_GNDVI dianggap akan dieliminasi karena nilai VIF tinggi; karena itu, model akhir menggunakan empat variabel AUC_NDVI, AUC_EVI, curah hujan, dan pengamatan 305 di bawah 31 districts. Model performa terbaik diperoleh dengan potongan 80:20 tes kereta api, mencapai koefisien tekad (R2) dari 0.9509, RMSE dari 2741 ton, dan MAE 1.930.7 ton. Analisis penting fisik mengungkapkan bahwa AUC_NDVI paling berkontribusi (27.2%), diikuti dengan suhu yang berarti (25,8%), AUC_EVI (25.0%), dan total curah hujan (22.0%). Integrasi data satelit dengan algoritma Random Forest terbukti efektif dan sangat akurat dalam memperkirakan produksi beras di Kabupaten Jember.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,876
Tahun 2025 · Penulis: Sinta Nurul Qomaria
Peramalan Time Series Produksi Jagung DI Kabupaten Jember Dengan Arima Dan Model H2O Automl
Produksi jagung di Kabupaten Jember memiliki peran strategis dalam sektor pertanian dan ketahanan pangan nasional. Sebagai salah satu komoditas utama, jagung banyak digunakan untuk bahan pangan, pakan ternak, dan industri. Namun, produksi jagung mengalami fluk
- Cosine 0,849
Tahun 2026 · Penulis: Hoirul Anam
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 membandingk
- Cosine 0,846
Tahun 2026 · Penulis: Nasya Zabrina Amanda
Analisis Produktivitas Tanaman Padi Berbasis Indeks Vegetasi dari Citra Landsat 8 OLI Menggunakan Geographically Weighted Regression (GWR) di Kabupaten Jember
Produktivitas beras adalah indikator penting untuk mendukung keamanan pangan dan dipengaruhi oleh faktor-faktor biofisika yang hubungannya mungkin bervariasi di berbagai lokasi. Penelitian atas produktivitas sejalan dengan SDG Gol 2, yang menekankan pentingnya