OPTIMALISASI MODEL ENSEMBLE PADA FRAMEWORK DATA INTELLIGENCE UNTUK MEMPREDIKSI PRODUKTIVITAS KELAPA SAWIT BERBASIS POWER BI

Abstract

Produktivitas kelapa sawit pada kebun rakyat di Indonesia masih rendah akibat pengelolaan agronomi yang belum berbasis data. Permasalahan utama terletak pada pengambilan keputusan yang masih mengandalkan pengalaman sehingga kurang optimal dalam meningkatkan hasil panen. Penelitian ini bertujuan untuk mengembangkan framework data intelligence yang mampu memprediksi produktivitas kelapa sawit secara akurat serta mengidentifikasi faktor-faktor yang berpengaruh. Metode yang digunakan adalah pendekatan kuantitatif dengan machine learning berbasis model ensemble Random Forest, meliputi tahap pengumpulan data, pra-pemrosesan, pembangunan model, evaluasi, tuning, serta analisis feature importance, yang kemudian divisualisasikan menggunakan dashboard Power BI. Data yang digunakan berasal dari tiga kebun periode 2020–2024. Hasil penelitian menunjukkan bahwa tuning model meningkatkan kinerja dengan nilai R² sebesar 0,7065 serta penurunan MAE dan RMSE, yang menandakan peningkatan akurasi dan stabilitas prediksi. Analisis feature importance menunjukkan bahwa kondisi tanah dan luas lahan merupakan faktor paling dominan dalam menentukan produktivitas. Framework yang dihasilkan mampu memberikan prediksi yang andal serta insight agronomi yang mendukung pengambilan keputusan berbasis data