Penerapan Algoritma Extra Trees Regressor dan K-Nearest Neighbor dalam Prediksi dan Klasifikasi Cuaca untuk Mendukung Perawatan Pohon Jeruk
Abstrak
Cuaca merupakan faktor utama yang memengaruhi perawatan pohon jeruk. Namun, pola cuaca yang tidak dapat diprediksi sering kali menghambat pengambilan keputusan secara tepat waktu dan akurat dalam perlakuan perawatan. Penelitian ini mengusulkan sebuah sistem berbasis machine learning untuk memprediksi dan mengklasifikasikan kondisi cuaca harian guna mendukung perawatan pohon jeruk. Algoritma Extra Trees Regressor digunakan untuk memprediksi empat parameter cuaca utama, yaitu temperatur, kelembapan relatif, curah hujan, dan lama penyinaran matahari. Selanjutnya, algoritma K-Nearest Neighbor (KNN) digunakan untuk mengklasifikasikan kondisi cuaca harian ke dalam dua kategori, yaitu “baik” dan “buruk”, berdasarkan hasil prediksi setiap parameter cuaca. Dataset yang digunakan bersumber dari Badan Meteorologi, Klimatologi, dan Geofisika (BMKG), yang diproses melalui tahapan interpolasi serta pembersihan data. Proses ini dilanjutkan dengan rekayasa fitur secara menyeluruh, mencakup fitur lag historis, rata-rata musiman, transformasi sinusoidal, rata-rata bergerak eksponensial, dan deteksi anomali. Hasil evaluasi model menunjukkan performa prediktif yang kuat, yaitu parameter temperatur dengan RMSE = 0,475 dan R² = 0,8769, parameter kelembapan relatif dengan RMSE = 3,436 dan R² = 0,7797, parameter curah hujan dengan RMSE = 6,253 dan R² = 0,8096, serta parameter lama penyinaran matahari dengan RMSE = 1,174 dan R² = 0,7721. Model klasifikasi KNN mencapai performa optimal pada nilai K = 20, dengan akurasi sebesar 97,27% dan F1-score sebesar 96,53%. Hasil ini menunjukkan bahwa kedua algoritma mampu menghasilkan prediksi dan klasifikasi cuaca harian secara akurat untuk mendukung kegiatan perawatan pohon jeruk.