Sistem Irigasi Presisi Dengan Prediksi Cuaca Menggunakan Algoritma Random Forest Berbasis Aplikasi Blynk
Abstrak
Abstrak — Budidaya kelengkeng di lingkungan terbatas seperti rooftop menghadapi tantangan dalam manajemen air yang efisien akibat dinamika lingkungan dan kebutuhan tanaman yang spesifik. Sistem irigasi konvensional seringkali tidak efektif dan menyebabkan pemborosan sumber daya. Penelitian ini bertujuan merancang, membangun, dan menguji sistem irigasi presisi yang mengintegrasikan Internet of Things (IoT) untuk pemantauan dan Machine Learning untuk pengambilan keputusan penyiraman secara cerdas dan otomatis. Sistem ini menggunakan mikrokontroler ESP32 yang terhubung dengan sensor kelembaban tanah, suhu dan kelembaban udara, curah hujan, dan kecepatan angin untuk mengumpulkan data yang dapat dipantau melalui aplikasi Blynk. Dua model Machine Learning dengan algoritma Random Forest dikembangkan: satu model klasifikasi untuk prediksi cuaca (hujan/tidak hujan) dan satu model regresi untuk penentuan durasi irigasi. Model-model ini dilatih dan dievaluasi menggunakan dataset aktual yang dikumpulkan dari lapangan. Hasil pengujian menunjukkan performa model yang baik. Model klasifikasi untuk prediksi cuaca mencapai akurasi keseluruhan sekitar 0.73 (73%), presisi 0.82 untuk kelas 'Hujan', dan recall 0.96 untuk kelas 'Tidak Hujan'. Ini membuktikan kemampuan model untuk mendeteksi kondisi tidak hujan secara andal, sementara presisi yang cukup tinggi pada kelas 'Hujan' membantu menghindari penyiraman yang tidak perlu. Sementara itu, model regresi untuk penentuan durasi irigasi mencapai Mean Squared Error (MSE) sebesar 43.72 detik² dan koefisien determinasi (R²) 0.89. Hasil ini mengindikasikan bahwa model mampu mempelajari pola dari parameter lingkungan dan mengubahnya menjadi estimasi durasi penyiraman yang presisi dan andal. Integrasi IoT dan Machine Learning ini terbukti berhasil menciptakan sistem irigasi yang cerdas dan efisien, mampu mengoptimalkan penggunaan air dan mendukung pertanian urban yang berkelanjutan di lingkungan yang menantang.
Kata kunci— Irigasi Presisi, Internet of Things, Machine Learning, Random Forest, Tanaman Kelengkeng, ESP32.
Referensi
[1] Safitri Mildawani, “SISTEM IRIGASI CERDAS MENINGKATKAN EFISIENSI AIR DALAM PERTANIAN,” Tugas Mahasiswa Fakultas Pertanian, vol. 1, no. 1, Mar. 2024, [Online]. Available: https://coursework.uma.ac.id/index.php/pertanian/article/view/917
[2] N. K. Nguyen et al., “Long-term changes in soil biological activity and other properties of raised beds in Longan orchards,” PeerJ, vol. 12, p. e18396, Nov. 2024, doi: 10.7717/peerj.18396.
[3] A. Abrar and T. Tukino, “Pengembangan Sistem Pengontrolan Irigasi Cerdas dengan Teknologi Internet of Things (IoT),” Prosiding Seminar Nasional Ilmu Sosial dan Teknologi (SNISTEK), vol. 5, pp. 286–293, Sep. 2023, doi: 10.33884/psnistek.v5i.8096.
[4] A. A. Abdelmoneim, R. Khadra, A. Elkamouh, B. Derardja, and G. Dragonetti, “Towards Affordable Precision Irrigation: An Experimental Comparison of Weather-Based and Soil Water Potential-Based Irrigation Using Low-Cost IoT-Tensiometers on Drip Irrigated Lettuce,” Sustainability, vol. 16, no. 1, 2024, doi: 10.3390/su16010306.
[5] DQLab and Gifa Delyani Nursyafitri, “4 Manfaat Machine Learning, Diketahui Oleh Praktisi Data,” https://dqlab.id/4-manfaat-machine-learning-diketahui-oleh-praktisi-data.
[6] J. Xu, Y. Cui, S. Zhang, and M. Zhang, “The evolution of precision agriculture and food safety: a bibliometric study,” Front Sustain Food Syst, vol. Volume 8-2024, 2024, doi: 10.3389/fsufs.2024.1475602.
[7] Y. K. Kushwaha, A. Joshi, R. K. Panigrahi, and A. Pandey, “Development of a smart irrigation monitoring system employing the wireless sensor network for agricultural water management,” Journal of Hydroinformatics, vol. 26, no. 12, pp. 3224–3243, Dec. 2024, doi: 10.2166/hydro.2024.241.
[8] A. Ariawan, “Smart Sprout: Irigasi Cerdas Berbasis AIoT untuk Pertanian Modern dan Ramah Lingkungan,” bit-Tech, vol. 7, no. 2, pp. 434–444, Dec. 2024, doi: 10.32877/bt.v7i2.1841.
[9] Y. Tace, M. Tabaa, S. Elfilali, C. Leghris, H. Bensag, and E. Renault, “Smart irrigation system based on IoT and machine learning,” Energy Reports, vol. 8, pp. 1025–1036, 2022, doi: https://doi.org/10.1016/j.egyr.2022.07.088.
[10] M. Artiyasa, I. Himawan Kusumah, A. Suryana, A. D. W. Muhammad Sidik, and A. Pradiftha Junfithrana, “Comparative Study of Internet of Things (IoT) Platform for Smart Home Lighting Control Using NodeMCU with Thingspeak and Blynk Web Applications,” https://doi.org/10.52005/fidelity.v2i1.103, vol. 2, Jan. 2020.
[11] D. Chen, Z. Wan, D. S. Ha, and J.-H. Cho, “Sustainable Smart Farm Networks: Enhancing Resilience and Efficiency with Decision Theory-Guided Deep Reinforcement Learning,” May 2025, [Online]. Available: http://arxiv.org/abs/2505.03721
[12] R. Torhino and P. Andono, “Penerapan Algoritma Random Forest dalam Prediksi Curah Hujan untuk Mendukung Analisis Cuaca,” Building of Informatics, Technology and Science (BITS), vol. 6, no. 3, pp. 1688–1699, Dec. 2024, doi: 10.47065/bits.v6i3.6404.
[13] E. Permana Yudha, A. Rohmadi, and A. T. Setyadi, “SISTEM PREDIKSI PRODUKSI PADI DI SUMATERA MENGGUNAKAN REGRESI LINEAR,” Jurnal Manajemen Informatika & Sistem Informasi (MISI), vol. 8, no. 1, 2025, doi: 10.36595/misi.v5i2.
[14] H. Basri, “Implementasi Sistem Irigasi Cerdas Berbasis IoT dan Machine Learning pada Pembibitan Pala di Papua Barat.”
