Pengembangan Model Prediksi Produksi Padi di Provinsi Jawa Barat Berbasis Integrasi Data Agroklimat Menggunakan Ensemble Machine Learning

Abil Fadila, Muhammad Farrel Syabena, Miftakhul Bakhrir Rozaq Khamid, Hadi Prastyo, Sarah Sakinah Umadi, Ilmiasa Saliha

Abstract


Dinamika cuaca yang tidak menentu menjadi faktor utama yang mempengaruhi variabilitas produksi padi di Jawa Barat dan menuntut penerapan teknologi prediksi yang akurat untuk mendukung pengelolaan produksi pertanian secara efisien dan adaptif. Penelitian ini bertujuan mengembangkan sistem prediksi produksi padi berbasis integrasi data agroklimat menggunakan algoritma ensemble machine learning, yaitu Random Forest (RF) dan Extreme Gradient Boosting (XGBoost). Data yang digunakan meliputi variabel agroklimat berupa curah hujan, suhu udara, kelembapan, dan kecepatan angin serta data historis produksi padi di Provinsi Jawa Barat periode 2018–2024. Pengembangan sistem dilakukan melalui tahapan pra-pemrosesan data, transformasi fitur, pelatihan model, dan validasi menggunakan skema 10-fold cross-validation untuk menjamin stabilitas dan reliabilitas model. Kinerja model dievaluasi menggunakan koefisien determinasi (R²), Mean Absolute Error (MAE), dan Root Mean Square Error (RMSE). Hasil penelitian menunjukkan bahwa algoritma Random Forest memberikan performa terbaik dengan nilai R² sebesar 0,9928, MAE sebesar 16.608,92, dan RMSE sebesar 24.796,55. Variabel luas lahan, curah hujan, suhu, dan kelembapan teridentifikasi sebagai faktor utama yang memengaruhi produksi padi. Sistem yang dikembangkan berpotensi diimplementasikan sebagai teknologi pendukung prediksi produksi padi dengan memanfaatkan data agroklimat sebagai variabel prediktor, sehingga dapat mendukung pengambilan keputusan dalam pengelolaan produksi tanaman dan penerapan pertanian presisi berbasis data guna meningkatkan efisiensi serta ketahanan sistem produksi padi.


Keywords


Ensemble machine learning; pertanian presisi; pemodelan agroklimat; prediksi produksi padi; teknologi pertanian

References


Ariyani, N., & Arifin, A. Z. (2021). Prediksi tingkat pengangguran di Kabupaten Tuban tahun 2020 menggunakan metode regresi linear sederhana. Mathvision, 3(1), 6–13. https://doi.org/10.55719/mv.v3i1.245

Badan Meteorologi, Klimatologi, dan Geofisika. (2025). Data Curah Hujan Harian Wilayah Jawa Barat. https://data.bmkg.go.id/

Badan Pusat Statistik Provinsi Jawa Barat. (2024). Produksi Tanaman Padi Menurut Kabupaten/Kota di Provinsi Jawa Barat. Diakses pada 21 Desember 2025 dari https://jabar.bps.go.id/indicator/

Basahona, A. A., Ishak, R., & Husna, A. (2019). Penerapan metode linier regresi untuk prediksi produksi sayur-sayuran. Jurnal Nasional Cosphi, 3(2), 54-57.

Belgiu, M., & Drăguţ, L. (2016). Random Forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114, 24–31. https://doi.org/10.1016/j.isprsjprs.2016.01.011

Chai, T., & Draxler, R. R. (2014). Root mean square error (RMSE) or mean absolute error (MAE). Geoscientific model development discussions, 7(1), 1525-1534

Chen, T., & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD '16), 785–794. https://doi.org/10.1145/2939672.2939785

Chicco, D., Warrens, M. J., & Jurman, G. (2021). The coefficient of determination R-squared is more informative than SMAPE, MAE, and RMSE in regression analysis evaluation. PeerJ Computer Science, 7, e623. https://doi.org/10.7717/peerj-cs.623

Choudhary, K., Shi, W., Dong, Y., & Paringer, R. (2022). Random Forest for rice yield mapping and prediction using Sentinel-2 data with Google Earth Engine. Advances in Space Research, 70(8), 2443–2457. https://doi.org/10.1016/j.asr.2022.07.016

Elavarasan, D., & Vincent, P. D. R. (2021). A reinforced Random Forest model for enhanced crop yield prediction by integrating agrarian parameters. Journal of Ambient Intelligence and Humanized Computing, 12(11), 10009–10022. https://doi.org/10.1007/s12652-020-02753-y

FAO. (2021). The state of food and agriculture 2021: Making agrifood systems more resilient to shocks and stresses. Food and Agriculture Organization of the United Nations.

https://www.fao.org/3/cb4476en/cb4476en.pdf

Feng, P., Wang, B., Liu, D. L., Waters, C., Xiao, D., Shi, L., & Yu, Q. (2022). Evaluation of Random Forests (RF) for regional and local-scale wheat yield prediction in southeast Australia. Sensors, 22(3), 717. https://doi.org/10.3390/s22030717

Gunawan, G. P., Ruminta, R., & Wicaksono, F. Y. (2024). Identifikasi Perubahan Cuaca dan Korelasinya terhadap Produksi Tanaman Padi (Oryza sativa L.) di Kabupaten Karawang. Paspalum:Jurnal Ilmiah Pertanian, 12(2), 428-433.

Herwanto, H. W., Widiyaningtyas, T., & Indriana, P. (2019). Penerapan algoritme linear regression untuk prediksi hasil panen tanaman padi. Jurnal Nasional Teknik Elektro dan Teknologi Informasi (JNTETI), 8(4), 364–370. https://doi.org/10.22146/jnteti.v8i4.537

Hussain, S., Huang, J., Huang, J., Ahmad, S., Nanda, S., Anwar, S., ... & Zhang, J. (2020). Rice production under climate change: adaptations and mitigating strategies. In Environment, climate, plant and vegetation growth (pp. 659-686). Cham: Springer International Publishing.

Hutahaean, J., Yusup, D., & Purwantoro, P. (2024). Perbandingan Metode Linear Regression, Random Forest & K-Nearest Neighbor Untuk Prediksi Produksi Hasil Panen Padi Di Provinsi Jawa Barat. JATI (Jurnal Mahasiswa Teknik Informatika), 8(3), 3895-3900.

Jeong, J. H., Resop, J. P., Mueller, N. D., Fleisher, D. H., Yun, K., Butler, E. E., Timlin, D. J., Shim, K. M., & Gerber, J. S. (2016). Random Forests for global and regional crop yield predictions. PLoS ONE, 11(6), e0156571.

https://doi.org/10.1371/journal.pone.0156571

Juliyanti, J., & Usman, U. (2018). Pengaruh luas lahan, pupuk dan jumlah tenaga kerja terhadap produksi padi gampong matang baloi. Jurnal Ekonomi Pertanian Unimal, 1(1), 31-39.

Kharisma S, M. I., Hadiana, A. I., & Ramadhan, E. (2025). Model Prediksi Produksi Padi Berdasarkan Curah Hujan dan Suhu Menggunakan Regresi Linier Berganda. Jurnal Algoritma, 22(2). https://doi.org/10.33364/algoritma/v.22-2.2793

Li, X., Wang, Y., & Chen, J. (2023). Forecast-driven inventory management for agricultural supply chains under climate uncertainty. Computers and Electronics in Agriculture, 204, 107531.

https://doi.org/10.1016/j.compag.2023.10753

Liakos, K. G., Busato, P., Moshou, D., Pearson, S., & Bochtis, D. (2018). Machine learning in agriculture: A review. Sensors, 18(8), 2674.

https://doi.org/10.3390/s18082674

Mahesh, P., & Soundrapandiyan, R. (2024). Yield prediction for crops by gradient-based algorithms. PLOS ONE, 19(8), e0291928. https://doi.org/10.1371/journal.pone.0291928

Pratama, Z. B. P., & Astuti, Y. P. (2025). Comparison of Machine Learning Methods (Linear Regression, Random Forest, and XGBoost) for Predicting Poverty in Central Java in 2024. Sistemasi: Jurnal Sistem Informasi, 14(5), 2492-2499.

Pratiwi, E. E., Widodo, A. W., & Mahmudy, W. F. (2018). Penerapan Algoritme Genetika Pada Kasus Optimasi Penentuan Bibit dan Pemerataan Subsidi pupuk (Studi Kasus: Desa Pandansari, Kabupaten Kediri). Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 2(5), 1803-1812.

Raharusun, O. S. H., & Hasibuan, A. (2024). Sistem Prediksi Produksi Beras Menggunakan Multiple Linear Regression untuk Optimalisasi Ketahanan Pangan di Kabupaten Minahasa. JOINTER: Journal of Informatics Engineering, 5(02), 36-40.

Saadah, S., & Salsabila, H. (2021). Prediksi harga bitcoin menggunakan metode Random Forest: (Studi kasus: data acak pada masa pandemic covid-19). Jurnal Komputer Terapan, 7(1), 24–32. https://doi.org/10.35143/jkt.v7i1.4632

Sangaji, D., & Sutabri, T. (2025). Analisis XGBoost dan Random Forest untuk Prediksi Curah Hujan dalam Mendukung Mitigasi Karhutla. Jurnal Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence), 5(1), 13-18. https://doi.org/10.55382/jurnalpustakaai.v5i1.905

Sulardi, P., Hendro, T., & Umbara, F. R. (2017). Prediksi Kebutuhan Obat Menggunakan Regresi Linier. In Seminar Nasional Teknologi dan Informatika 2017. Muria Kudus University.

Varma, M., Kumar, P. A., Yadav, K. K., Verma, S., Kumar, P., & Singh, A. K. (2024). A comparison of Random Forest based models for agricultural crop yield prediction. International Journal of Research in Agronomy, 7(8S), 817–820. https://doi.org/10.33545/2618060X.2024.v7.i8Sk.1386

Willmott, C. J., Matsuura, K., & Robeson, S. M. (2021). Ambiguities in the application and interpretation of root-mean-square error (RMSE) and mean absolute error (MAE). Annals of the American Association of Geographers, 111(1), 212-219.

Yasin, F., Firmansyah, M. R. U., Aldo, D., & Amrustian, M. A. (2025). Multivariate Forecasting of Paddy Production: A Comparative Study of Machine Learning Models. Jurnal Teknik Informatika (Jutif), 6(3), 1431-1442.

Zhang, Y., Zhao, L., & Liu, H. (2022). Crop yield prediction and its implications for supply chain planning in agriculture. Agricultural Systems, 198, 103377.

https://doi.org/10.1016/j.agsy.2022.103377.




DOI: https://doi.org/10.24198/jt.vol20n2.18

Refbacks

  • There are currently no refbacks.


Indexed by:

 

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License (CC BY-SA 4.0)