Aplikasi Machine Learning pada GEE untuk Prediksi Produktivitas Tanaman Teh Menggunakan EVI dari Citra Sentinel‒2A

Abstract

Teh merupakan komoditas perkebunan penting di Indonesia sehingga pemantauan produktivitasnya diperlukan untuk mendukung pengelolaan yang efisien. Penelitian ini menguji potensi citra Sentinel-2 dan algoritma Random Forest regression pada platform Google Earth Engine (GEE) untuk mengestimasi produktivitas teh di Perkebunan Kertamanah, Pangalengan. Indeks vegetasi Enhanced Vegetation Index (EVI) diekstraksi dari citra Sentinel-2 periode 2023–2025, kemudian digunakan sebagai variabel prediktor tunggal. Model dievaluasi dengan metrik RMSE, MAE, dan R². Hasil menunjukkan akurasi rendah dengan nilai RMSE 436 kg/ha, MAE 268,173 kg/ha, dan R² hanya 9,2%. Temuan ini menegaskan bahwa EVI saja belum cukup untuk merepresentasikan variasi produktivitas teh, yang juga dipengaruhi faktor agronomis lain. Penelitian ini menekankan pentingnya integrasi variabel tambahan seperti umur tanaman dan kondisi lingkungan untuk meningkatkan kinerja model estimasi produktivitas pada perkebunan teh.