PERANCANGAN SISTEM DISTRIBUSI NUTRISI IOT DAN PEMBANGUNAN MODEL MACHINE LEARNING BERBASIS DATA TELEMETRI CASSAVA

Abstract

Penelitian ini berfokus pada tanaman cassava (Manihot esculenta), sebuah komoditas pertanian yang memegang peranan penting dalam menjaga ketahanan pangan. Di wilayah Jonggol, pertanian singkong menghadapi sejumlah tantangan, terutama terkait efisiensi penggunaan air dan pupuk. Sistem manajemen manual yang umumnya digunakan cenderung menyebabkan pemborosan sumber daya. Untuk mengatasi masalah ini, penelitian dilakukan dengan tujuan utama membangun dan membandingkan beberapa model Machine Learning (ML) yang dapat memprediksi kesuburan lahan bagi tanaman cassava. Penelitian ini berlangsung di dua lokasi kebun, yaitu Kebun 1 dan Kebun 2, dimana lima algoritma Machine Learning (ML) diujicobakan, yaitu Support Vector Machine (SVM), XGBoost, Random Forest, K-Nearest Neighbors (KNN), dan Decision Tree. Penelitian dilakukan mulai dari bulan Maret 2024 hingga Maret 2025 di Kebun Pendidikan dan Penelitian IPB yang terletak di Kecamatan Jonggol Cileungsi, kabupaten Bogor. Proses penelitian dimulai dengan pengumpulan data yang mencakup berbagai variabel pendukung, seperti kelembapan tanah, kalium, nitrogen, fosfor suhu tanah, EC, Ph tanah, kelembapan lingkungan, suhu lingkungan/suhu titik embun, temperature rata rata, curah hujan, penyinaran matahari, dan kecepatan angin. Data tersebut kemudian dipersiapkan melalui proses pembersihan untuk mengatasi masalah nilai hilang dan outlier, serta transformasi data agar sesuai untuk analisis lebih lanjut. Masing-masing algoritma diterapkan pada dataset yang telah di bagi untuk data latih dan data uji dengan proporsi 80% dan 20% untuk mendapatkan model terbaik dari lima model Machine Learning. Proses pelatihan dilakukan pada dua skenario yaitu: penerapan model sebelum dan setelah proses tuning dan dievaluasi menggunakan metrik Mean Absolute Error (MAE), Mean Squared Error (MSE), dan Koefisien Determinasi (R²) yang bertujuan untuk menilai kinerja setiap model dalam memprediksi kesuburan lahan. Hasil penelitian menunjukkan bahwa sebelum tuning, dua model terbaik yang teridentifikasi adalah SVM dan XGBoost. SVM dengan MAE (1,2378) dan R² (0,9987) dan XGBoost, dengan MAE (3,3873) dan R² (0,9807), meskipun XGBoost sedikit di bawah SVM. Kekuatan XGBoost terletak pada kemampuannya dalam menangani data yang tidak seimbang dan kompleksitas model, membuatnya sangat kompetitif. Setelah tuning, hasil menunjukkan bahwa hanya SVR yang tetap menjadi model terbaik pada dua lokasi (Kebun 1 dan 2) dengan MAE (1,3166) dan R2 (0,9984) pada Kebun 1, sedangkan MAE (3,9015) dan R² (0,9724) pada Kebun 2. Kelebihan SVR terletak pada kemampuannya untuk menangkap pola yang kompleks dalam data, sehingga menghasilkan prediksi yang akurat meskipun dalam kondisi yang berbeda.