ANALISIS PERBANDINGAN RANDOM FOREST DAN SUPPORT VECTOR MACHINE (SVM) DALAM SISTEM REKOMENDASI JENIS TANAMAN
DOI:
https://doi.org/10.31539/rt2wcx24Abstract
Pemilihan jenis tanaman yang sesuai dengan kondisi lingkungan dan nutrisi tanah merupakan faktor penting dalam meningkatkan produktivitas pertanian. Penelitian ini bertujuan untuk menganalisis dan membandingkan performa dua algoritma Machine Learning, yaitu Random Forest dan Support Vector Machine (SVM), dalam sistem rekomendasi jenis tanaman berdasarkan faktor lingkungan dan nutrisi tanah. Dataset yang digunakan mencakup parameter seperti suhu, kelembapan, kecepatan angin, pH tanah, serta kandungan nitrogen, fosfor, dan kalium. Hasil evaluasi menunjukkan bahwa algoritma Random Forest memiliki akurasi tertinggi sebesar 89,03%, sedikit lebih baik dibandingkan SVM dengan akurasi 88,51%. Analisis feature importance menunjukkan bahwa Nitrogen (N), Kalium (K), dan Fosfor (P) merupakan faktor paling berpengaruh. Dengan demikian, algoritma Random Forest dinilai lebih optimal untuk diterapkan dalam sistem rekomendasi tanaman berdasarkan data lingkungan dan nutrisi tanah.
Kata Kunci: Random Forest, SVM, Rekomendasi Tanaman, Machine Learning, Pertanian.
References
Adewusi, A., Onyeka Franca Asuzu, Temidayo Olorunsogo, Ejuma Adaga, & Donald Obinna Daraojimba. (2024). AI in precision agriculture: A review of technologies for sustainable farming practices. World Journal of Advanced Research and Reviews, 21(1), 2276–2285.
Ali, Z., Muhammad, A., Lee, N., Waqar, M., & Lee, S. W. (2025). Artificial Intelligence for Sustainable Agriculture: A Comprehensive Review of AI-Driven Technologies in Crop Production. Sustainability (Switzerland), 17(5), 1–24.
Anonymous. (2025). Krisis Kesuburan Tanah di Indonesia: Fakta atau Alarm Palsu? alatrisetpertanian.com Diakses 8 Oktober 2025, pukul 12.00 dari https://www.alatrisetpertanian.com/knowledge/krisis-kesuburan-tanah-di-indonesia-fakta-atau-alarm-palsu/?utm_source
Badan Pangan Nasional. (2023). Rencana Aksi Badan Pangan Nasional Tahun 2023. Jakarta: Badan Pangan Nasional Republik Indonesia.
Burla, U. T., Rajan, K., Sanjay, P., Chirumamilla, S., Ravi, G. M., & Ashhar, A. (2024). Advanced Crop Recommendation Systems: Leveraging Random Forest and KNN Algorithms. International Journal For Multidisciplinary Research, 6(4), 1–12.
Dachi, J. M. A. S. D., & Sitompul, P. (2023). Analisis Perbandingan Algoritma XGBoost dan Algoritma Random Forest Ensemble Learning pada Klasifikasi Keputusan Kredit. Jurnal Riset Rumpun Matematika Dan Ilmu Pengetahuan Alam, 2(2), 87–103.
FAO. (2024). The State of Food and Agriculture: Rural transformation and agri-food systems. Rome: Food and Agriculture Organization.
Hamdani, I. M., Nurhidayat, N., Karman, A., Adhalia H, N. F., & Julyaningsih, A. H. (2024). Edukasi dan Pelatihan Data Science dan Data Preprocessing. Intisari: Jurnal Inovasi Pengabdian Masyarakat, 2(1), 19–26.
Herman. (2022). Dirjen FAO: Digitalisasi Masa Depan Pertanian Dunia. sinartani.co.id. Diakses 8 Oktober 2025 pukul 12.30 dari https://sinartani.co.id/nasional/dirjen-fao-digitalisasi-masa-depan-pertanian-dunia/?utm_source
Kencana, D. (2025). Pentingnya Uji Tanah, Solusi Pemupukan Tepat bagi Petani. Jateng.Idntimes.Com. Diakses 8 Oktober 2025 pukul 13.30 dari https://jateng.idntimes.com/news/business/pentingnya-uji-tanah-solusi-pemupukan-tepat-bagi-petani-00-2m8jx-mrrdv8?utm_source
Kurniawan, R., Halim, A., & Melisa, H. (2023). Prediksi Hasil Panen Pertanian Salak di Daerah Tapanuli Selatan Menggunakan Algoritma SVM (Support Vector Machine). Kajian Ilmiah Informatika Dan Komputer, 4(2), 903–912.
Occelli, M., Mantino, A., Ragaglini, G., Dell’Acqua, M., Fadda, C., Pè, M. E., & Nuvolari, A. (2021). Traditional knowledge affects soil management ability of smallholder farmers in marginal areas. Agronomy for Sustainable Development, 41(1).
Rahman, A., Udjulawa, D., & Mulyati, M. (2024). Rekomendasi Pemilihan Jenis Tanaman Menggunakan Algoritma Random Forest dan XGBoost Regressor. Computer Science (CO-SCIENCE), 4(2), 119–126.
Sekretariat Jendral. (2023). Analisis Komoditas Pangan Strategis Tahun 2023. Jakarta: Kementerian Pertanian Republik Indonesia.
Senapaty, M. K., Ray, A., & Padhy, N. (2024). A Decision Support System for Crop Recommendation Using Machine Learning Classification Algorithms. Agriculture (Switzerland), 14(8).
Siregar, S. A., & Nasution, Y. R. (2024). Prediction of Rice Farming Yields in Padangsidimpuan City through Support Vector Machine (SVM) Algorithms. JINAV: Journal of Information and Visualization, 5(1), 146–156.
Yasin, F., Firmansyah, M. R., 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.
Zalvadila, A., Purnawansyah, Syafie, L., & Darwis, H. (2023). Klasifikasi Penyakit Tanaman Bawang Merah Menggunakan Metode SVM dan CNN. Jurnal Informatika: Jurnal Pengembangan IT, 8(3), 255–260.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Anis'syah Mahdarani, Irma Handayani
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
