Klasifikasi Tanah Berdasarkan Reflektansi Cahaya Menggunakan Metode KNN

Abstract

Penelitian ini mengevaluasi efektivitas metode K-Nearest Neighbors
(KNN) dan Decision Tree dalam mengklasifikasikan jenis tanah berdasarkan data
reflektansi dari sensor optik, yang penting untuk mendukung sistem rotasi
tanaman yang efisien dan berkelanjutan. Tujuan dari penelitian ini adalah untuk
menentukan akurasi kedua metode dalam mengidentifikasi pola reflektansi tanah
dan mengevaluasi pengaruh penggunaan pupuk terhadap kualitas tanah. Metode
yang digunakan melibatkan analisis data reflektansi dari beberapa jenis tanah,
termasuk tanah gambut dan tanah mineral, yang diproses menggunakan KNN
untuk mengenali pola kemiripan antar data dan Decision Tree untuk
mengelompokkan tanah berdasarkan perbedaan reflektansi. Selain itu, pengaruh
pupuk organik dan kimia terhadap kesuburan tanah juga dianalisis. Hasil penelitian
menunjukkan bahwa KNN dan Decision Tree berhasil mencapai akurasi tinggi,
dengan KNN efektif mengenali pola reflektansi dan Decision Tree mencapai
tingkat akurasi 93,33%. Tanah gambut terbukti paling cocok untuk rotasi tanaman
karena kandungan bahan organiknya yang tinggi, yang mendukung kelembapan
dan kesuburan tanah secara optimal. Pupuk organik terbukti lebih unggul dalam
menjaga kualitas tanah dibandingkan pupuk kimia, yang dalam penggunaan
jangka panjang dapat menurunkan kualitas tanah. Kesimpulan penelitian ini
menunjukkan bahwa metode KNN dan Decision Tree dapat diandalkan untuk
klasifikasi tanah, mendukung pemilihan tanah yang sesuai untuk rotasi tanaman,
dan merekomendasikan pupuk organik sebagai pilihan yang lebih berkelanjutan
untuk menjaga kualitas tanah. Keterbatasan penelitian ini terdapat pada
portabilitas alat pengukuran yang masih kurang efisien untuk pengumpulan data
lapangan.