Model Prediksi Kadar Air Media Tanam Menggunakan Algoritma Regresi Decision Tree, Support Vector Machine, dan Random Forest (Studi Kasus Greenhouse Cabai Rawit di Kebun Edukasi Eptilu Mitra Habibi Garden)

Abstract

Tanaman cabai rawit merupakan salah satu komoditas hortikultura yang umum ditemukan di Indonesia. Data BPS (2022) menunjukkan produksi cabai rawit mengalami peningkatan dari tahun 2018 sampai dengan tahun 2022, dengan laju pertumbuhan sebesar 15%. Produksi cabai rawit yang meningkat tidak menandakan permintaan pasar di Indonesia telah terpenuhi. Indonesia pada tahun 2022 bulan Januari sampai dengan September masih melakukan impor komoditas cabai dengan jumlah 35.962 ton. Permintaan pasar untuk komoditas cabai rawit masih belum terpenuh dapat terjadi karena produksi cabai rawit masih belum maksimal. Tanaman cabai rawit rentan terhadap kekurangan air, di mana kekurangan air dapat menyebabkan melambatnya laju pertumbuhan tanamn cabai rawit dan penurunan dalam jumlah buah yang dihasilkan saat panen. Salah satu produsen tanaman cabai rawit adalah Kebun Edukasi Eptilu. Greenhouse cabai rawit di Kebun Edukasi Eptilu dapat mengalami penundaan penyiraman akibat sumber air sedang digunakan untuk menyirami kebun lain. Penundaan penyiraman dapat menyebabkan tanaman cabai rawit mengalami kekurangan air. Solusi yang dapat dikembangkan adalah membuat beberapa model algoritma prediksi kadar air tanah menggunakan machine learning dan membandingkan nilai akurasi dari masing-masing algoritma. Algoritma yang dibuat merupakan algoritma decision tree, support vector machine, dan random forest. Variabel bebas adalah suhu lingkungan (°C), kelembapan lingkungan (%), suhu tanah (°C), dan kadar air tanah (%). Variabel terikat adalah kadar air tanah (%) satu jam ke depan. Model dengan nilai akurasi tertinggi adalah model dengan algoritma Support Vector Regression (SVR) dengan kernel linear dan nilai epsilon (e) 0.1, dengan nilai akurasi sebesar 0.938 pada data uji dan 0.958 pada data baru