<![CDATA[Budidaya jamur tiram (Pleurotus ostreatus) memerlukan pengendalian lingkungan yang presisi pada lima parameter kritis: suhu, kelembapan, intensitas cahaya, kadar CO₂, dan pH substrat. Penyimpangan dari rentang optimal pada salah satu parameter tersebut dapat menghambat pertumbuhan miselium hingga menyebabkan kegagalan panen. Sistem monitoring manual bersifat reaktif dan rentan terhadap keterlambatan respons, sehingga pendekatan prediktif menjadi kebutuhan yang mendesak. Penelitian ini mengimplementasikan klasifikasi langsung berbasis XGBoost untuk memprediksi kondisi lingkungan kumbung 6 jam ke depan menggunakan data sensor IoT yang direkam setiap 30 detik selama 17 hari dengan total 50.087 baris data. Pelabelan dilakukan pada nilai sensor aktual menggunakan aturan berjenjang yang membedakan sensor kritis (suhu, kelembapan, pH) dan sensor toleran (intensitas cahaya, CO₂), kemudian XGBClassifier dilatih secara langsung pada label tersebut. Ketidakseimbangan kelas ditangani menggunakan class weight seimbang dan threshold optimal dipilih berdasarkan MCC tertinggi. Hasil menunjukkan Balanced Accuracy 69,90% dan MCC 0,4296, dengan kelas cukup mencapai recall 0,92 dan kelas optimal mencapai precision 0,88. Sistem ini menjadi fondasi intervensi proaktif pada budidaya jamur cerdas berbasis IoT.]]>
Copyrights © 2026
