Perbandingan Support Vector Machine dan Light Gradient Boosting Machine untuk Rekomendasi Tanaman Berbasis Data Tanah dan Cuaca di Wilayah Jawa Timur

Abstract

Produksi komoditas pangan di Provinsi Jawa Timur memperlihatkan penurunan di periode tertentu. Penurunan jumlah produksi dapat dipengaruhi faktor tanah dan cuaca. Perbedaan karakteristik tanah dan cuaca antarkabupaten atau kota menyebabkan setiap wilayah memiliki tingkat kesesuaian tanaman yang berbeda. Penelitian ini bertujuan membangun dataset rekomendasi
tanaman berbasis data tanah dan cuaca, menganalisis kontribusi fitur terhadap hasil prediksi, dan membandingkan kinerja algoritma Support Vector Machine dan Light Gradient Boosting Machine. Data tanah dan cuaca diperoleh dari ISRIC SoilGrids dan NASA POWER. Dataset terdiri dari 4.006 baris data dan 31 fitur yang mencakup enam kelas komoditas, yaitu cabai rawit,
bawang merah, kedelai, tebu, jagung, dan padi. Eksperimen dilakukan dengan membandingkan SVM dan LightGBM pada dua skenario data, yaitu data asli dan tanpa outlier. Penanganan imbalance data dilakukan menggunakan tanpa sampling, SMOTE, KMeansSMOTE, dan SMOTEENN dengan rasio sampling 25%, 50%, 75%, dan 100%. Evaluasi model menggunakan accuracy, recall, dan F1-score. Model LightGBM menghasilkan performa terbaik pada skenario data asli dengan metode KMeansSMOTE rasio 75% accuracy sebesar 86,19% dan F1-score sebesar 86,08%. SVM memperoleh hasil terbaik pada skenario data asli dengan metode KMeansSMOTE rasio 50% accuracy sebesar 85,27% dan F1-score sebesar 85,19%. Analisis feature importance dan
SHAP menunjukkan karakteristik tekstur tanah mendominasi keputusan kedua model melalui pengaruh iklim musiman pada LightGBM serta keasaman tanah dan indeks kebasahan permukaan pada SVM.