Estimasi Evapotranspirasi Potensial Menggunakan Algoritma Random Forest di Daerah Irigasi Tungkub, Bali

Penulis

  • Luh Made Putri Apriliani Program Studi Teknik Pertanian dan Biosistem, Fakultas Teknologi Pertanian, Universitas Udayana, Badung, Bali, Indonesia
  • Ni Nyoman Sulastri Program Studi Teknik Pertanian dan Biosistem, Fakultas Teknologi Pertanian, Universitas Udayana, Badung, Bali, Indonesia
  • I Wayan Widia Program Studi Teknik Pertanian dan Biosistem, Fakultas Teknologi Pertanian, Universitas Udayana, Badung, Bali, Indonesia
  • I Putu Gede Budisanjaya Program Studi Teknik Pertanian dan Biosistem, Fakultas Teknologi Pertanian, Universitas Udayana, Badung, Bali, Indonesia

DOI:

https://doi.org/10.24843/j.beta.2025.v13.i01.p16

Kata Kunci:

machine learning, potential evapotranspiration, random forest, weather variabel

Abstrak

Besaran nilai Evapotranspirasi Potensial (ETp) sangat diperlukan untuk perencanaan distribusi air dan pola
tanam. Umumnya, perhitungan ETp diperoleh dari perhitungan model empiris, seperti model Penman
Monteith (PM) yang direkomendasikan oleh Food and Agriculture Organization (FAO). Namun, penerapan
model ini memerlukan variabel cuaca yang banyak dan ketersediaan data cuaca yang tidak memadai. Tujuan
penelitian ini adalah menghasilkan model estimasi ETp dengan algoritma Random Forest (RF). Variabel
cuaca yang digunakan pada penelitian ini yang dijadikan input dalam pemodelan ETp yaitu (1) radiasi
matahari (Rs); (2) suhu udara (T); (3) kelembaban udara (RH); (4) dan kombinasi Rs dan T. Data variabel
cuaca diperoleh dari automatic weather station (AWS) di Daerah Irigasi (DI) Tungkub, Bali. Hasil
penelitian menunjukkan masukan variabel cuaca Rs merupakan model estimasi terbaik, sedangkan masukan
variabel cuaca RH merupakan model estimasi terlemah. Pada kalibrasi model terdapat tiga metrik evaluasi
untuk mengevaluasi kinerja model yaitu R2, MSE, dan RMSE. Sementara pada validasi model
menggunakan tiga teknik yaitu prediction error plot, residuals plot, dan k-fold CV. Hasil penelitian
menunjukkan estimasi nilai ETp rata-rata dengan skenario masukan Rs menggunakan algoritma RF di DI
Tungkub 0,14 mm/jam (R2 = 1,00, MSE = 0,00, RMSE = 0,01). Sementara itu, nilai rata-rata ETp PM yaitu
0,15 mm/jam. Skenario masukan Rs menggunakan algoritma RF menunjukan estimasi nilai yang mendekati
nilai ETp PM.

Referensi

Abedi-Koupai, J., Dorafshan, M. M., Javadi, A., & Ostad-Ali-Askari, K. (2022). Estimating potential reference evapotranspiration using time series models (case study: synoptic station of Tabriz in northwestern Iran). Applied Water Science, 12(9), 1–8. https://doi.org/10.1007/s13201-022-01736-x

Adib, A., Kalantarzadeh, S. S. O., Shoushtari, M. M., Lotfirad, M., Liaghat, A., & Oulapour, M. (2023). Sensitive analysis of meteorological data and selecting appropriate machine learning model for estimation of reference evapotranspiration. Applied Water Science, 13(3), 1–17. https://doi.org/10.1007/s13201-023-01895-5

Ajjur, S. B., & Al-Ghamdi, S. G. (2021). Evapotranspiration and water availability response to climate change in the Middle East and North Africa. Climatic Change, 166(3–4), 1–18. https://doi.org/10.1007/s10584-021-03122-z

Allen, R. G., Pereira, L. S., Raes, D., & Smith, M. (1998). Crop Evapotranspiration - Guidelines for computing crop water requirements - FAO Irrigation and Drainage Paper 56. https://www.fao.org/3/X0490E/x0490e00.htm#Contents

Arif, C., Setiawan, B. I., & Sofiyuddin, H. A. (2020). Analisis evapotranspirasi potensial pada berbagai model empiris dan jaringan syaraf tiruan dengan data cuaca terbatas. Jurnal Irigasi, 15(2), 71–84. https://doi.org/10.31028/ji.v15.i2.71-84

Bayram, S., & Çıtakoğlu, H. (2023). Modeling monthly reference evapotranspiration process in Turkey: application of machine learning methods. Environmental Monitoring and Assessment, 195(1). https://doi.org/10.1007/s10661-022-10662-z

Bengfort, B., & Bilbro, R. (2019). Yellowbrick: Visualizing the Scikit-Learn Model Selection Process. Journal of Open Source Software, 4(35), 1075.

https://doi.org/10.21105/joss.01075

Dinpashoh, Y., Jahanbakhsh-Asl, S., Rasouli, A. A.,149 Foroughi, M., & Singh, V. P. (2019). Impact of climate change on potential evapotranspiration (case study: west and NW of Iran). Theoretical and Applied Climatology, 136(1–2), 185–201. https://doi.org/10.1007/s00704-018-2462-0

Dou, X., & Yang, Y. (2018). Evapotranspiration estimation using four different machine learning approaches in different terrestrial ecosystems. Computers and Electronics in Agriculture, 148(February), 95–106. https://doi.org/10.1016/j.compag.2018.03.010

Fereres, E., & Villalobos, F. J. (2016). Agriculture and Agricultural Systems BT - Principles of Agronomy for Sustainable Agriculture (F. J.

Villalobos & E. Fereres (eds.); pp. 1–12). Springer International Publishing. https://doi.org/10.1007/978-3-319-46116-8_1

Gad, H. E. (2010). the Effect of Solar Radiation on Animals. Medical Journal of Australia, 2(23), 795–795. https://doi.org/10.5694/j.1326-

5377.1936.tb103240.x

Gao, Z., He, J., Dong, K., & Li, X. (2017). Trends in reference evapotranspiration and their causative factors in the West Liao River basin, China.

Agricultural and Forest Meteorology, 232, 106–117. https://doi.org/10.1016/j.agrformet.2016.08.006

Ge, J., Zhao, L., Yu, Z., Liu, H., Zhang, L., Gong, X., & Sun, H. (2022). Prediction of Greenhouse Tomato Crop Evapotranspiration Using XGBoost Machine Learning Model. Plants, 11(15), 1–17. https://doi.org/10.3390/plants11151923

Granata, F. (2019). Evapotranspiration evaluation models based on machine learning algorithms—A comparative study. Agricultural Water Management, 217(March), 303–315. https://doi.org/10.1016/j.agwat.2019.03.015

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2011). Multivariate Data Analysis (Fifth Edit). Horvitz, E., & Mulligan, D. (2015). Machine

learning: Trends,perspectives, and prospects. Science, 349(6245), 253–255.

Iannelli, M., Rahman, M. R., Choi, N., & Wang, L. (2020). Applying machine learning to end-toend slice SLA decomposition. Proceedings of the 2020 IEEE Conference on Network Softwarization: Bridging the Gap Between AI and Network Softwarization, NetSoft 2020, 92–99. https://doi.org/10.1109/NetSoft48620.2020.9165317

Jha, S. B., Babiceanu, R. F., Pandey, V., & Jha, R. K. (2020). Housing Market Prediction Problem using Different Machine Learning Algorithms:

A Case Study. http://arxiv.org/abs/2006.10092

Liu, J., Yu, K., Li, P., Jia, L., Zhang, X., Yang, Z., & Zhao, Y. (2022). Estimation of Potential Evapotranspiration in the Yellow River Basin Using Machine Learning Models. Atmosphere, 13(9). https://doi.org/10.3390/atmos13091467

Lotfi, M., Kamali, G. A., Meshkatee, A. H., & Varshavian, V. (2020). Study on the impact of climate change on evapotranspiration in west of Iran. Arabian Journal of Geosciences, 13(15). https://doi.org/10.1007/s12517-020-05715-x

Nur, N., Wajidi, F., Sulfayanti, S., & Wildayani, W. (2023). Implementasi Algoritma Random Forest Regression untuk Memprediksi Hasil Panen Padi di Desa Minanga. Jurnal Komputer Terapan, 9(1), 58–64. https://doi.org/10.35143/jkt.v9i1.5917

Orji, U., & Ukwandu, E. (2024). Machine learning for an explainable cost prediction of medical insurance. Machine Learning with Applications, 15(July 2023), 100516. https://doi.org/10.1016/j.mlwa.2023.100516

Pino-Vargas, E., Taya-Acosta, E., Ingol-Blanco, E., & Torres-Rúa, A. (2022). Deep Machine Learning for Forecasting Daily Potential Evapotranspiration in Arid Regions, Case: Atacama Desert Header. Agriculture (Switzerland), 12(12). https://doi.org/10.3390/agriculture12121971

Runtunuwu, E., H. Syahbuddin, & A. Pramudia. (2008). Validasi Model Pendugaan Evapotranspirasi: Upaya Melengkapi Sistem Database Iklim Nasional. Jurnal Tanah Dan Iklim, 27, 1–12.

Saidah, H., Sulistyono, H., & Budianto, M. B. (2020). Kalibrasi Persamaan Thornthwaite Dan Evaporasi Panci Untuk Memprediksi Evapotranspirasi Potensial Pada Daerah Dengan Data Cuaca Terbatas. Jurnal Sains Teknologi & Lingkungan, 6(1), 72–84. https://doi.org/10.29303/jstl.v6i1.155

Sofos, F., & Karakasidis, T. E. (2021). Nanoscale slip length prediction with machine learning tools. Scientific Reports, 11(1), 1–10. https://doi.org/10.1038/s41598-021-91885-x

Sua, L. S., Wang, H., Ortiz, J., Sua, L. S., Wang, H., Ortiz, J., Huang, J., & Alidaee, B. (2023). Predicting renewable energy production outputs from climate factors : A machine learning approach Predicting renewable energy production outputs from climate factors : A machine learning approach. 0–14.

Supangat, A. B. (2016). Analisis perubahan nilai pendugaan evapotranspirasi potensial akibat perubahan iklim di kawasan hutan tanaman eucalyptus pellita. Balai Penelitian Dan Pengembangan Teknologi Pengelolaan DAS,150 112–122.

Tanny, J. (2022). Evapotranspiration Measurements and Modeling. Water (Switzerland), 14(16), 16–18. https://doi.org/10.3390/w14162474

Wang, Y., Meili, N., & Fatichi, S. (2024). Ecohydrological responses to solar radiation changes. March, 1–24.

Yong, S. L. S., Ng, J. L., Huang, Y. F., & Ang, C. K. (2023). Estimation of Reference Crop Evapotranspiration with Three Different Machine Learning Models and Limited Meteorological Variables. Agronomy, 13(4). https://doi.org/10.3390/agronomy13041048

Unduhan

Diterbitkan

2025-04-30

Cara Mengutip

Apriliani, L. M. P., Sulastri, N. N., Widia, I. W., & Budisanjaya, I. P. G. (2025). Estimasi Evapotranspirasi Potensial Menggunakan Algoritma Random Forest di Daerah Irigasi Tungkub, Bali. Jurnal BETA (Biosistem Dan Teknik Pertanian), 13(1), 142–150. https://doi.org/10.24843/j.beta.2025.v13.i01.p16

Terbitan

Vol 13 No 1 (2025): April

Bagian

Articles

Lisensi

Creative Commons License

Artikel ini berlisensi Creative Commons Attribution 4.0 International License.

Ketentuan Lisensi

Semua artikel yang diterbitkan dalam Jurnal Beta (Biosistem dan Teknik Pertanian) bersifat open access dan dilisensikan di bawah Creative Commons Attribution 4.0 International License (CC BY 4.0). Hal ini berarti siapa pun berhak untuk:

  • Berbagi — menyalin dan mendistribusikan kembali materi dalam bentuk atau format apa pun.

  • Adaptasi — menggubah, mengubah, dan mengembangkan materi untuk tujuan apa pun, termasuk tujuan komersial.

Namun, hak tersebut diberikan dengan ketentuan sebagai berikut:

  • Atribusi — Anda harus memberikan pengakuan yang sesuai, menyertakan tautan ke lisensi, dan menunjukkan jika ada perubahan yang dilakukan. Hal ini dapat dilakukan dengan cara yang wajar, tetapi tidak boleh dengan cara yang menyiratkan bahwa pemberi lisensi mendukung Anda atau penggunaan Anda.

  • Tanpa pembatasan tambahan — Anda tidak boleh menerapkan ketentuan hukum atau langkah teknologi yang secara hukum membatasi orang lain untuk melakukan hal-hal yang diizinkan oleh lisensi ini.

Dengan mengirimkan artikel ke Jurnal Beta (Biosistem dan Teknik Pertanian), penulis menyetujui penerbitan karya mereka di bawah lisensi akses terbuka ini. Hak cipta tetap dimiliki oleh penulis, namun penulis memberikan hak publikasi pertama kepada Jurnal Beta (Biosistem dan Teknik Pertanian).

Untuk informasi lebih lanjut mengenai lisensi CC BY 4.0, silakan kunjungi situs resmi: https://creativecommons.org/licenses/by/4.0/

Artikel paling banyak dibaca berdasarkan penulis yang sama

1 2 3 > >>