Analisis Komparatif Algoritma Decision Tree dan Random Forest dalam Prediksi Kesesuaian Lahan Pertanian Berbasis Machine Learning.

Perubahan iklim, anomali cuaca, dan degradasi kualitas tanah menjadi tantangan utama dalam sektor pertanian modern. Penentuan jenis tanaman yang sesuai dengan kondisi lahan secara konvensional sering kali bergantung pada pengalaman subjektif, sehingga berisiko menghasilkan keputusan tanam yang kurang optimal. Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja algoritma Decision Tree dan Random Forest dalam memprediksi kesesuaian lahan pertanian berdasarkan parameter tanah dan cuaca. Dataset yang digunakan merupakan data sekunder berbentuk tabular yang memuat 2.200 data dengan 7 atribut masukan, yaitu Nitrogen, Fosfor, Kalium, suhu, kelembapan, pH tanah, dan curah hujan, serta 22 kelas target berupa jenis tanaman. Tahapan penelitian meliputi pengumpulan data, pra-pemrosesan, pembagian data latih dan data uji dengan rasio 80:20, pelatihan model Decision Tree dan Random Forest, serta evaluasi menggunakan akurasi, confusion matrix, classification report, dan feature importance. Hasil pengujian menunjukkan bahwa algoritma Random Forest memiliki performa prediksi yang lebih unggul dibandingkan Decision Tree karena mampu mengurangi risiko overfitting melalui mekanisme ensemble learning. Selain itu, analisis feature importance digunakan untuk mengidentifikasi atribut lingkungan yang paling berpengaruh dalam proses klasifikasi tanaman. Penelitian ini memberikan kontribusi dalam pengembangan sistem rekomendasi tanaman berbasis data untuk mendukung penerapan Smart Agriculture dan pengambilan keputusan pertanian yang lebih presisi.