Model Klasifikasi Kesesuaian Lahan Bawang Putih Menggunakan Interpolasi Spasial dan Algoritme Pohon Keputusan | Classification Model for Garlic Land Suitability Using Spatial Interpolation and Decision Tree Algorithm

英语. Garlic stands as a vital horticultural product requiring consistent fulfillment each year. The production of garlic is not proportional to meet the consumption demand, prompting the government to import garlic to meet domestic needs. Among these efforts, expanding garlic cultivation lands holds significant importance. This study aims to determine a classification model for garlic suitability of land using the C5.0 algorithm based on land characteristics and temperature interpolation using the IDW method. The research resulted in 5 rules for land suitability classes with an accuracy of 97.81% on a dataset with temperature data for May 2022. The important variable in determining land suitability classes during this period is soil mineral depth. On the other hand, the accuracy value on a dataset with temperature data for July 2022 yielded 17 rules for land suitability with an accuracy of 95.91%. The important variable in determining land suitability classes during this period is base saturation.

印度尼西亚. Bawang putih merupakan salah satu hasil hortikultura yang harus terpenuhi setiap tahunnya. Jumlah produksi bawang putih tidak sebanding dengan jumlah konsumsi bawang putih menjadi acuan pemerintah untuk melakukan impor guna mencukupi kebutuhan dalam negeri. Hal ini menjadi dasar pemerintah untuk melakukan swasembada bawang putih. Usaha yang dilakukan untuk mencapai swasembada bawang putih salah satunya adalah melakukan perluasan lahan untuk tanaman bawang putih. Penelitian ini bertujuan untuk menentukan model klasifikasi kesesuaian lahan bawang putih menggunakan algoritme C5.0 berdasarkan karakteristik lahan dan interpolasi temperatur menggunakan metode Inverse Distance Weighted (IDW). Penelitian ini menghasilkan pohon keputusan dengan 5 aturan kelas kesesuaian lahan dengan akurasi sebesar 97.81% pada dataset dengan data temperatur bulan Mei 2022. Variabel penting dalam menentukan kelas kesesuaian lahan pada periode ini adalah kedalaman mineral tanah. Sedangkan nilai akurasi pada dataset dengan data temperatur bulan Juli 2022 menghasilkan model pohon keputusan dengan 17 aturan kelas kesesuaian lahan dengan akurasi sebesar 95.91%. Variabel penting dalam menentukan kelas kesesuaian lahan pada periode ini adalah kejenuhan basa.