Penerapan Model Geographically Weighted Random Forest dan Shapley Additive Explanations (SHAP) terhadap Produktivitas Padi di Indonesia

Abstract

Produktivitas padi di Indonesia menunjukkan variasi spasial antarwilayah akibat interaksi non-linear yang kompleks antara faktor iklim dan sosioekonomi. Kondisi ini menuntut pendekatan pemodelan yang tidak hanya mampu menangkap hubungan non-linear antarpeubah, tetapi juga heterogenitas spasial antarwilayah. Penelitian ini bertujuan untuk membandingkan penerapan model Geographically Weighted Random Forest (GWRF) dengan model Random Forest global dalam memodelkan produktivitas padi di Indonesia, dan juga mengidentifikasi peubah penting lokal beserta arah pengaruhnya melalui pendekatan interpretasi berbasis Shapley Additive Explanations (SHAP). GWRF dipilih karena mampu mengombinasikan keunggulan Random Forest dalam menangani hubungan non-linear dengan pembobotan geografis untuk menangkap variasi karakteristik antarwilayah, sedangkan SHAP digunakan untuk mengatasi sifat black box dari model berbasis Random Forest dengan menjelaskan kontribusi spesifik setiap peubah pada setiap lokasi. Penelitian menggunakan amatan 471 kabupaten/kota di Indonesia pada tahun 2024 dengan delapan peubah penjelas. Model GWRF dengan bandwidth optimal 20 tetangga terdekat (nearest neighbors) lebih baik dibandingkan Random Forest global, dengan nilai OOB ??² yang lebih tinggi yaitu sebesar 96,23% serta nilai OOB ???????? dan OOB ?????? yang lebih rendah dengan nilai masing-masing sebesar 2,08 dan 1,64. Analisis SHAP menunjukkan bahwa jumlah penyuluh pertanian merupakan faktor paling dominan terhadap prediksi produktivitas padi di Indonesia, diikuti oleh IPM, curah hujan, kelembapan tanah, dan radiasi matahari secara global, dengan pola kontribusi yang bervariasi secara signifikan antarwilayah.

Rice productivity in Indonesia exhibits spatial variation across regions due to complex non-linear interactions between climatic and socioeconomic factors. This condition calls for a modeling approach capable of capturing not only non-linear relationships among variables but also spatial heterogeneity across regions. This study aims to compare the application of the Geographically Weighted Random Forest (GWRF) model with the global Random Forest model in modeling rice productivity in Indonesia, as well as to identify locally important variables and their directions of influence through an interpretation approach based on Shapley Additive Explanations (SHAP). GWRF was selected for its ability to combine the strength of Random Forest in handling non-linear relationships with geographic weighting to capture variation in regional characteristics, while SHAP was employed to address the black-box nature of Random Forest-based models by explaining the specific contribution of each variable at each location. This study used observations from 471 districts/cities in Indonesia in 2024 with eight explanatory variables. The GWRF model with an optimal bandwidth of 20 nearest neighbors outperformed the global Random Forest, with a higher OOB ??² of 96.23% and lower OOB ???????? and OOB ?????? values of 2.08 and 1.64, respectively. SHAP analysis revealed that the number of agricultural extension workers is the most dominant factor predicting rice productivity in Indonesia, followed globally by the Human Development Index (HDI), rainfall, soil moisture, and solar radiation, with contribution patterns varying considerably across regions.