Rancang Bangun Sistem Pemantauan Cuaca Berbasis Internet of Things (Iot) Dan Analisis Akurasi Prediksi Kejadian Hujan

Latar Belakang. Cuaca merupakan keadaan atmosfer pada suatu tempat dan waktu tertentu yang dipengaruhi oleh berbagai unsur meteorologi, seperti suhu udara, kelembapan udara, tekanan udara, angin, dan curah hujan. Sistem pemantauan cuaca konvensional masih memiliki keterbatasan dalam akses data, mobilitas, dan memerlukan biaya instalasi yang relatif tinggi. Selain itu, perubahan cuaca yang cepat menuntut tersedianya informasi cuaca yang tidak hanya aktual, tetapi juga mampu memberikan prediksi kondisi cuaca di masa mendatang. Oleh karena itu, penelitian ini dilakukan untuk mengembangkan sistem pemantauan cuaca berbasis Internet of Things (IoT) yang terintegrasi dengan model prediksi kejadian hujan menggunakan metode machine learning. Tujuan. Penelitian ini bertujuan untuk merancang dan membangun sistem pemantauan cuaca berbasis Internet of Things (IoT) yang mampu bekerja secara real-time, serta mengembangkan model prediksi kejadian hujan 3 jam ke depan menggunakan metode Random Forest Classification berdasarkan parameter suhu udara, kelembapan udara, tekanan udara, dan curah hujan. Metode. Sistem monitoring dibangun menggunakan sensor BME280 untuk mengukur suhu udara, kelembapan udara, dan tekanan udara, serta rain gauge tipe tipping bucket untuk mengukur curah hujan. Sistem dikendalikan menggunakan mikrokontroler ESP32 yang terintegrasi dengan modul RTC DS3231 dan SD Card Module. Data historis cuaca diperoleh dari situs Meteomanz periode tahun 2021–2026 dengan resolusi waktu 3 jam. Tahapan pengolahan data meliputi Preprocessing, kalibrasi data historis menggunakan regresi linear, pembentukan fitur lag berbasis time series, pembagian dataset, pelatihan model Random Forest, serta evaluasi model menggunakan accuracy, Precision, Recall, F1-score, dan confusion matrix. Hasil. Hasil penelitian menunjukkan bahwa sistem monitoring cuaca mampu melakukan pengukuran dan pengiriman data parameter cuaca secara real-time melalui platform Blynk IoT. Hasil kalibrasi menunjukkan bahwa data SYNOP setelah penyesuaian memiliki pola yang lebih mendekati data IoT dibandingkan sebelum kalibrasi. Model prediksi Random Forest menghasilkan nilai accuracy sebesar 79% dengan precision, recall, dan F1-Score masing-masing sebesar 0.61, 0.59, dan 0.60 pada kelas hujan serta 0.86, 0.87, dan 0.86 pada kelas tidak hujan. Hasil tersebut menunjukkan bahwa metode Random Forest memiliki kemampuan yang cukup baik dalam memprediksi kejadian hujan berdasarkan parameter meteorologi yang digunakan.