Jurnal Algoritma, Logika dan Komputasi

Ketidakpastian dan variabilitas curah hujan merupakan tantangan utama bagi petani dalam menentukan waktu tanam dan jenis tanaman yang paling sesuai untuk kondisi cuaca yang berubah-ubah. Sistem yang dibangun dalam penelitian ini menggunakan data historis curah hujan, parameter iklim, dan informasi varietas tanaman yang dikumpulkan dari wilayah Bekasi Utara. Proses pengumpulan data dilakukan dengan menggunakan citra satelit Landsat 8 dan dataset curah hujan CHIRPS yang kemudian diolah menggunakan bahasa pemrograman Python. Metode machine learning diterapkan untuk memproses dan menganalisis data tersebut guna membangun model prediksi yang akurat. Hasil penelitian menunjukkan bahwa sistem prediksi curah hujan yang dikembangkan mampu memberikan prakiraan curah hujan yang cukup akurat. Selain itu, sistem ini juga dapat memberikan rekomendasi tanaman optimal berdasarkan kondisi iklim dan prediksi curah hujan, yang diharapkan dapat membantu petani dalam meningkatkan hasil panen dan ketahanan pangan di wilayah tersebut. Penelitian ini menyimpulkan bahwa integrasi antara data satelit, analisis iklim, dan metode machine learning dapat menjadi alat yang efektif dalam membantu pengambilan keputusan pertanian yang lebih baik. Sistem yang dikembangkan juga memiliki potensi untuk diimplementasikan di wilayah lain dengan kondisi serupa, setelah dilakukan penyesuaian data lokal.

A. Wulandari, M. Muliadi, dan A. Apriansyah, “Pengaruh Sebaran Uap Air terhadap Curah Hujan di Kalimantan Barat,” PRISMA FISIKA, vol. 6, no. 3, Okt 2018, doi: 10.26418/pf.v6i3.28709.

Evi Dewi Sri Mulyani, “Prediksi Curah Hujan Di Kabupaten Majalengka Dengan Menggunakan Algoritma Regresi,” e-Jurnal JUSITI (Jurnal Sistem Informasi dan Teknologi Informasi), vol. 8–1, hlm. 67–77, Apr 2019, doi: 10.36774/jusiti.v8i1.602.

A. Fadholi, S. Meteorologi, dan D. Amir, “Persamaan Regresi Prediksi Curah Hujan Bulanan Menggunakan Data Suhu dan Kelembapan Udara di Ternate,” 2013.

M. Fajri dkk., “Penerapan Model Regression Untuk Prediksi Cuaca Wilayah seberang Ulu 1 Palembang.”

M. D. Islam dkk., “Rapid Rice Yield Estimation Using Integrated Remote Sensing and Meteorological Data and Machine Learning,” Remote Sens (Basel), vol. 15, no. 9, Mei 2023, doi: 10.3390/rs15092374.

W. Ullah dkk., “Analysis of the relationship among land surface temperature (LST), land use land cover (LULC), and normalized difference vegetation index (NDVI) with topographic elements in the lower Himalayan region,” Heliyon, vol. 9, no. 2, hlm. e13322, Feb 2023, doi: 10.1016/j.heliyon.2023.e13322.

F. Shi, F. Zhang, N. Shen, dan M. Yang, “Quantifying interactions between slope gradient, slope length and rainfall intensity on sheet erosion on steep slopes using Multiple Linear Regression,” Science of The Total Environment, vol. 908, hlm. 168090.

“Statistik Daerah Kota Bekasi 2023”.

A. Amrin, M. D. Larasati, dan I. Satriadi, “Model Waterfall Untuk Pengembangan Sistem Informasi Pengolahan Nilai Pada SMP Kartika XI-3 Jakarta Timur,” Jurnal Teknik Komputer, vol. 6, no. 1, hlm. 135–140, Jan 2020, doi: 10.31294/jtk.v6i1.6884.

V. Kevin, S. Que, Y. J. Prasetyo, dan C. Fibriani, “Analisis Perbedaan Indeks Vegetasi Normalized Difference Vegetation Index (NDVI) dan Normalized Burn Ratio (NBR) Kabupaten Pelalawan Menggunakan Citra Satelit Landsat 8”