Explainable Machine Learning untuk Klasifikasi Kesesuaian Lahan Jagung Berbasis Data Tabular di Kabupaten Soppeng

Abstract

Klasifikasi kesesuaian lahan jagung penting untuk mendukung pengambilan keputusan pertanian berbasis data, terutama dalam menentukan lahan yang memiliki kondisi fisik, iklim, dan unsur hara yang sesuai. Penelitian ini bertujuan membangun model Explainable Machine Learning untuk klasifikasi kesesuaian lahan jagung berbasis data tabular. Dataset yang digunakan terdiri atas 560 data dari Kabupaten Soppeng dengan sepuluh variabel input, yaitu pH tanah, curah hujan, suhu, kelembapan, ketinggian, kemiringan lahan, tekstur tanah, nitrogen, fosfor, dan kalium. Tahapan penelitian meliputi preprocessing data, encoding fitur, standardisasi data numerik, pembagian data, pelatihan model, evaluasi model, dan interpretasi menggunakan Explainable Machine Learning. Algoritma yang diuji meliputi Decision Tree, Random Forest, Support Vector Machine, K-Nearest Neighbor, dan XGBoost. Hasil pengujian menunjukkan bahwa Decision Tree memperoleh performa terbaik dengan accuracy 0,9911, precision 0,9914, recall 0,9911, dan F1-score 0,9911. Feature importance dan SHAP menunjukkan bahwa kemiringan lahan, pH tanah, fosfor, nitrogen, dan kalium menjadi faktor paling berpengaruh