<![CDATA[Prediksi hujan harian merupakan topik yang banyak dikaji dalam penerapan model pembelajaran mesin. Penelitian ini bertujuan untuk membandingkan tiga algoritma pembelajaran mesin tradisional, yaitu Support Vector Machine (SVM), Random Forest (RF), dan Decision Tree (DT), dalam melakukan prediksi hujan di area perkebunan di daerah Batu, Kota Malang, dengan menggunakan data primer dan data sekunder. Data primer dikumpulkan melalui sistem IoT yang dikembangkan dalam penelitian ini, sedangkan data sekunder diperoleh dari data harian Badan Meteorologi, Klimatologi, dan Geofisika (BMKG). Parameter data yang digunakan meliputi suhu, kelembapan, dan kecepatan angin. Sistem IoT terdiri atas alat pengirim, alat penerima, serta server penyimpanan data. Komunikasi antar transceiver menggunakan LoRa dengan frekuensi 433 MHz, sedangkan pengiriman data dari alat penerima ke server dilakukan melalui protokol MQTT. Pada tahappreprocessing, dilakukan label encoding untuk mengklasifikasikan curah hujan menjadi nilai biner (0 untuk tidak hujan/hujan ringan dan 1 untuk hujan sedang/lebat). Evaluasi model dilakukan menggunakan metrik akurasi, presisi, recall, F1-score, dan FPR. Penelitian ini berhasil mengimplementasikan sistem prediksi hujan di perkebunan Batu, Malang menggunakan IoT berbasis LoRa dengan data sensor bulan Juli 2025 dipadukan data 1,5 tahun dari BMKG untuk pelatihan.Evaluasi tiga algoritma pembelajaran mesin menunjukkan Random Forest memiliki performa terbaik pada pelatihan (akurasi 88,28%), namun akurasinya turun menjadi 78,57% pada data real-world dengan kemampuan deteksi hujan yang masih rendah (precision, recall, f1-score 50%). SVM juga menunjukkan akurasi pelatihan yang tinggi (86,48%), namun performanya pada data real-world serupa dengan Random Forest dan belum optimal dalam mengenali kondisi hujan. Sebaliknya, Decision Tree memberikan hasil terbaik pada pengujian data nyata dengan akurasi 85,71%, FPR lebih rendah pada kelas tidak hujan, serta peningkatan signifikan dalam mengenali hujan (precision dan recall 91%), sehingga lebih seimbang dalam membedakan kedua kelas dan menjadi algoritma terbaik pada penelitian ini.Kata Kunci: IoT, LoRa, MQTT, pembelajaran mesin, prediksi hujan.]]>
