Prediksi Lengas Tanah Menggunakan Pendekatan Machine Learning di Lahan Tanaman Tebu, Lampung Tengah

M. Ferry, Prof. Dr. rer. nat. Junun Sartohadi, M.Sc.; Dr. Agr. Makruf Nurudin, S.P., M.P.

2026 | Tesis | S2 Ilmu Tanah

Lengas tanah merupakan komponen penting fisika tanah karena memperlihatkan potensi kemampuan tanah dalam menyediakan air bagi tanaman. Informasi lengas tanah  secara spasial masih belum tersedia secara presisi sehingga memerlukan model prediksi yang baik. Tujuan penelitian adalah menghasilkan model prediksi lengas tanah yang representatif. Data tanah diperoleh melalui 72 minipit di dalam 8 unit bentanglahan dan pengukuran laboratorium untuk dua kedalaman (0-30 cm dan 30-60 cm). Parameter bentanglahan yang mencakup lereng, elevasi, topographic wetness index (TWI),  dan karakteristik fisik tanah di masukan ke model machine learning (ML) untuk memprediksi lengas tanah.  Model prediksi didasarkan pada pemanfaatan 2 algoritma ML: random forest (RF) dan extream gradient boosting (XGB)  yang dibangun menggunakan analisis digital elevation model (DEM) dan sifat tanah untuk mengkarakterisasi bentanglahan. Temuan kami menunjukkan model XGB memberikan hasil prediksi terbaik pada lapisan atas dengan nilai R² 0,58, RMSE sebesar 3,18?n MAE sebesar 2,41%. Sedangkan lapisan bawah RF menjadi yang terbaik dengan nilai R² 0,65, RMSE sebesar 3,57?n MAE 2,57%. Temuan penelitian menunjukkan bahwa penambahan kovariat lingkungan yang berasal dari sifat tanah mampu meningkatkan secara signifikan hasil prediksi lengas tanah.

Soil moisture (SM) reflects the soil’s potential ability to supply plants with water. Spatially precise SM data are not yet available; therefore, a good prediction model is needed. The objective of this study is to develop a representative SM prediction model. Soil data were obtained from 72 pit samples within 8 landscape units and laboratory measurements at two depths (0–30 cm and 30–60 cm). Slope, elevation, topographic wetness index (TWI), and soil physical properties were used by machine learning (ML) algorithms to estimate SM. The predictions were based on two ML algorithms: random forest (RF) and extreme gradient boosting (XGB), which were built using digital elevation model (DEM) analysis and soil properties to characterize the landscape. We found that the XGB model provided the best prediction results for the upper layer with R² value of 0.58, RMSE of 3.18%, and MAE of 2.41%. Meanwhile, the lower layer of the RF model performed best with R² value of 0.65, RMSE of 3.57%, and MAE of 2.57%. The findings of this study indicate that the inclusion of environmental covariates derived from soil properties significantly improves the prediction results of the SM.

Kata Kunci : Prediksi lengas tanah, geomorfologi, algoritma machine learning, random forest, extream gradient boosting