ANALISIS PERFORMA ALGORITMA MACHINE LEARNING (DECISION TREE, SVM, RANDOM FOREST) UNTUK PREDIKSI HUJAN HARIAN DENGAN DATA IOT BERBASIS LORA

Jurnal Mahasiswa TEUB
Vol. 14 No. 1 (2026)

Prediksi hujan harian merupakan topik yangbanyak dikaji dalam penerapan model pembelajaranmesin. Penelitian ini bertujuan untuk membandingkan tigaalgoritma pembelajaran mesin tradisional, yaitu SupportVector Machine (SVM), Random Forest (RF), danDecision Tree (DT), dalam melakukan prediksi hujan diarea perkebunan di daerah Batu, Kota Malang, denganmenggunakan data primer dan data sekunder. Data primerdikumpulkan melalui sistem IoT yang dikembangkandalam penelitian ini, sedangkan data sekunder diperolehdari data harian Badan Meteorologi, Klimatologi, danGeofisika (BMKG). Parameter data yang digunakanmeliputi suhu, kelembapan, dan kecepatan angin. SistemIoT terdiri atas alat pengirim, alat penerima, serta serverpenyimpanan data. Komunikasi antar transceivermenggunakan LoRa dengan frekuensi 433 MHz,sedangkan pengiriman data dari alat penerima ke serverdilakukan melalui protokol MQTT. Pada tahappreprocessing, dilakukan label encoding untukmengklasifikasikan curah hujan menjadi nilai biner (0untuk tidak hujan/hujan ringan dan 1 untuk hujansedang/lebat). Evaluasi model dilakukan menggunakanmetrik akurasi, presisi, recall, F1-score, dan FPR.Penelitian ini berhasil mengimplementasikan sistemprediksi hujan di perkebunan Batu, Malang menggunakanIoT berbasis LoRa dengan data sensor bulan Juli 2025dipadukan data 1,5 tahun dari BMKG untuk pelatihan.Evaluasi tiga algoritma pembelajaran mesin menunjukkanRandom Forest memiliki performa terbaik pada pelatihan(akurasi 88,28%), namun akurasinya turun menjadi78,57% pada data real-world dengan kemampuan deteksihujan yang masih rendah (precision, recall, f1-score 50%).SVM juga menunjukkan akurasi pelatihan yang tinggi(86,48%), namun performanya pada data real-worldserupa dengan Random Forest dan belum optimal dalammengenali kondisi hujan. Sebaliknya, Decision Treememberikan hasil terbaik pada pengujian data nyatadengan akurasi 85,71%, FPR lebih rendah pada kelas tidakhujan, serta peningkatan signifikan dalam mengenalihujan (precision dan recall 91%), sehingga lebih seimbangdalam membedakan kedua kelas dan menjadi algoritmaterbaik pada penelitian ini.Kata Kunci: IoT, LoRa, MQTT, pembelajaran mesin,prediksi hujan.