// <![CDATA[ANALISIS KESESUAIAN LAHAN TANAMAN TEBU DI KABUPATEN MAJALENGKA MENGGUNAKAN ALGORITMA RANDOM FOREST]]> 0420016601 - Dr. Hary Nugroho, Ir., M,T. Dosen Pembimbing 1 Rifqi Azis Nurmadhani / 23-2021-043 Penulis
Kabupaten Majalengka memiliki potensi untuk mengembangkan tanaman tebu, tetapi belum didukung oleh pemetaan kesesuaian lahan yang berbasis data spasial secara sistematis. Penelitian ini bertujuan untuk menganalisis kesesuaian lahan untuk tanaman tebu dengan menggunakan algoritma Random Forest pada platform Google Earth Engine (GEE). Parameter yang digunakan mencakup suhu permukaan (MODIS), pH tanah, kemiringan lereng (DEMNAS), dan tekstur tanah (ISRIC). Data sampel yang terdiri dari titik-titik lahan tebu dan non-tebu dikumpulkan dan diseimbangkan, kemudian dibagi menjadi data latih (70%) dan data uji (30%). Model Random Forest dilatih dengan 800 pohon keputusan dan divalidasi menggunakan confusion matrix untuk mendapatkan nilai akurasi, presisi, recall, serta F1-score. Hasil klasifikasi menunjukkan bahwa model menunjukkan performa yang sangat baik dengan akurasi mencapai 93,90% dan nilai Kappa sebesar 0,90. Model ini berhasil membagi wilayah menjadi dua kategori, yaitu lahan yang sesuai dan yang tidak sesuai untuk budidaya tebu. Daerah yang diklasifikasikan sebagai sesuai umumnya terletak di wilayah dengan suhu optimal (25°C–32°C), pH yang mendekati netral, kemiringan lereng kurang dari 8%, serta tekstur tanah yang berupa lempung atau lempung berpasir.Analisis mengenai pentingnya fitur menunjukkan bahwa suhu adalah parameter yang paling berpengaruh dalam klasifikasi, diikuti oleh kemiringan, pH tanah, dan tekstur. Temuan ini sejalan dengan karakteristik fisiologis tanaman tebu yang sangat dipengaruhi oleh suhu dan drainase. Pendekatan ini membuktikan efektivitas algoritma Random Forest dalam pemetaan kesesuaian lahan yang berbasis data spasial. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengambilan keputusan untuk pengembangan lahan tebu yang lebih efisien dan berkelanjutan, serta membuka peluang untuk menerapkan metode serupa pada komoditas pertanian lainnya. Majalengka Regency possesses significant potential for the development of sugarcane; however, it currently lacks a systematic assessment of land suitability based on spatial data. This research aims to evaluate land suitability for sugarcane cultivation utilizing the Random Forest algorithm on the Google Earth Engine (GEE) platform. The parameters considered in this analysis include surface temperature (MODIS), soil pH, slope (DEMNAS), and soil texture (ISRIC). Data samples comprising both sugarcane and non-sugarcane land points were collected and balanced, subsequently divided into training data (70%) and testing data (30%). The Random Forest model was trained with 800 decision trees and validated through a confusion matrix to derive metrics such as accuracy, precision, recall, and F1-score. The classification outcomes indicate that the model exhibited excellent performance, attaining an accuracy rate of 93.90% and a Kappa statistic of 0.90. The model effectively categorized the region into two distinct classes: suitable and unsuitable land for sugarcane cultivation. Areas deemed suitable are predominantly found in regions characterized by optimal temperatures ranging from 25°C to 32°C, near-neutral soil pH levels, slopes of less than 8%, and soil textures classified as loamy or sandy loam.Analysis of feature importance revealed that temperature emerged as the most significant factor, succeeded by slope, soil pH, and texture. These findings align with the physiological traits of sugarcane, which is greatly affected by temperature and soil drainage. This research validates the efficacy of the Random Forest algorithm in spatially-oriented land suitability mapping.The outcomes of this study are anticipated to aid in decision-making processes aimed at enhancing the efficiency and sustainability of sugarcane land development, while also promoting the use of analogous methodologies for other agricultural products.