Detail Cantuman

Dalam konteks pertanian modern, kemampuan untuk memprediksi kerusakan tanaman merupakan aspek krusial untuk mengoptimalkan produksi dan meminimalkan kerugian. Data pertanian yang bersifat deret waktu (time-series) menyimpan pola historis yang sangat penting untuk membuat prediksi yang akurat. Penelitian ini mengeksplorasi feature engineering dan model machine learning untuk memprediksi kerusakan hasil tanam dengan membandingkan model tanpa feature engineering dan model dengan feature engineering menggunakan teknik lag dan rolling mean. Dataset yang digunakan, yang bersumber dari www.kaggle.com, mencakup informasi jumlah serangan hama, dosis pestisida, durasi aplikasi, dan data pertanian lainnya. Empat model machine learning diuji, yaitu K-Nearest Neighbors (KNN), Random Forest (RF), dan Extreme Gradient Boosting (XGB), yang dievaluasi menggunakan metrik akurasi, precision, recall, dan f1 score. Hasil eksperimen menunjukkan adanya peningkatan kinerja yang signifikan pada semua model setelah menerapkan feature engineering. Secara khusus, XGB menunjukkan performa yang stabil dengan nilai metrik tinggi di berbagai skenario. Peningkatan akurasi tertinggi terdapat pada model RF (ΔAccuracy = 8.9%), diikuti XGB (ΔAccuracy = 8.1%) dan KNN (ΔAccuracy = 5.9%). Studi ini menunjukkan bahwa feature engineering dapat secara signifikan meningkatkan performa model machine learning dalam tugas memprediksi kerusakan tanaman