<![CDATA[This study aims to determine the performance level and classification results of land surface temperature with climate, as they mutually influence each other and undergo significant changes that impact the environment. The research uses data mining to classify the patterns of LST changes using spatial data and climate attribute data that affect LST in four regencies in West Kalimantan during the peak dry season of the last five years, comparing the Naïve Bayes and C4.5 algorithms. The data used comes from the USGS and the West Kalimantan Climate Station, covering 11 variables: latitude, longitude, maximum temperature, average temperature, average humidity, precipitation, solar radiation, and average wind speed, time, region and labels. Data preprocessing was conducted to facilitate data processing, and the algorithms were applied using RapidMiner tools. The results show that the Naïve Bayes algorithm has an accuracy of 94.57%, while C4.5 achieves 99.22%. This study can serve as a basis for enhancing understanding and planning climate change adaptationKeywords: C4.5 Algirithm; Classification; Land Surface Temperature; Naïve Bayes Algorithm; Prediction AbstrakPenelitian ini bertujuan untuk mengetahui tingkat kinerja dan hasil klasifikasi land surface temperature dengan iklim karena saling memengaruhi dan mengalami perubahan signifikan yang berdampak terhadap lingkungan. Penelitian menggunakan data mining untuk mengklasifikasi pola perubahan LST menggunakan data spasial dan data atribut iklim yang memengaruhi LST pada empat kabupaten di Kalimantan Barat pada puncak kemarau 5 tahun terakhir menggunakan perbandingan algoritma Naïve Bayes dan C4.5. Data yang digunakan berasal dari USGS dan Stasiun Iklim Kalimantan Barat yang mencakup 11 variabel yaitu latitude, longitude, temperatur maximall, rata-rata temperature, rata-rata kelembapan, intensitas hujan, penyinaran matahari, dan rata-rata kecepatan angin, waktu, wilayah dan label. Pre-proses data dilakukan memudahkan pengolahan data, penerapan algoritma menggunakan tools RapidMiner. Hasil menunjukkan bahwa penggunaan algoritma Naïve Bayes memiliki accuracy sebesar 94,57%, sedangkan C4.5 sebesar 99.22%. Penelitian ini dapat menjadi dasar dalam meningkatkan pemahaman dan dalam perencanaan adaptasi perubahan iklim. ]]>
