Prediksi Suhu dan Kecepatan Angin di Area Camping Gunung Putri Lembang Menggunakan Algoritma Random Forest
Abstrak
Aktivitas camping dan pendakian di kawasan pegunungan sangat dipengaruhi oleh dinamika mikroklimat yang berubah cepat, khususnya suhu dan kecepatan angin, sementara informasi cuaca yang tersedia umumnya berskala makro dan kurang merepresentasikan kondisi lokal. Penelitian ini memanfaatkan data suhu dan kecepatan angin sebagai masukan dan menghasilkan prediksi kondisi 30 menit ke depan sebagai keluaran.Perubahan mikroklimat yang cepat meningkatkan risiko keselamatan pengunjung. Diperlukan sistem pemantauan dan prediksi lokal yang presisi dan berfrekuensi tinggi untuk mitigasi risiko di area camping.Sistem IoT dirancang menggunakan sensor DHT22 dan anemometer yang terhubung ke ESP32 untuk pencatatan data setiap satu menit. Data diproses melalui pembersihan, feature engineering (lag, rolling window, dan fitur waktu), lalu dimodelkan menggunakan Random Forest untuk dua target yaitu suhu dan kecepatan angin dengan horizon prediksi 30 menit.Model suhu dan angin menunjukkan akurasi sangat tinggi pada data uji, sehingga sistem layak digunakan untuk pemantauan dan prediksi mikroklimat jangka pendek.
Kata kunci: internet of things, random forest, prediksi cuaca, suhu, kecepatan angin, time-series forecasting.
Referensi
R. Leng, S. Harrison, and K. Anderson, “Himalayan alpine ecohydrology: An urgent scientific concern in a changing climate,” Ambio, vol. 52, no. 2, pp. 390–410, 2023, doi: 10.1007/s13280-022-01792-2.
A. Khattak, P. W. Chan, F. Chen, and H. Peng, “Prediction and Interpretation of Low-Level Wind Shear Criticality Based on Its Altitude above Runway Level: Application of Bayesian Optimization–Ensemble Learning Classifiers and SHapley Additive exPlanations,” Atmosphere (Basel)., vol. 13, no. 12, 2022, doi: 10.3390/atmos13122102.
W. Indrasari and H. Suhendar, “ANALISIS MODEL PREDIKSI CUACA MENGGUNAKAN SUPPORT VECTOR MACHINE , GRADIENT BOOSTING , RANDOM FOREST , DAN,” vol. XII, pp. 119–128, 2024.
J. Kim, J. Ahn, and J. Kang, “Adaptive wildfire spread prediction for complex terrain: modeling the effectiveness of sprinkler systems,” Fire Ecol., vol. 20, no. 1, 2024, doi: 10.1186/s42408-024-00306-7.
C. Ho, K. Cheng, and C. Ang, “Utilizing the Random Forest Method for Short-Term Wind Speed Forecasting in the Coastal Area of Central Taiwan,” 2026.
J. Sathyaraj and V. Sankardoss, “A novel analysis of random forest regression model for wind speed forecasting,” Cogent Eng., vol. 11, no. 1, p., 2024, doi: 10.1080/23311916.2024.2434617.
R. Meenal, P. A. Michael, D. Pamela, and E. Rajasekaran, “Weather prediction using random forest machine learning model,” Indones. J. Electr. Eng. Comput. Sci., vol. 22, no. 2, pp. 1208–1215, 2021, doi: 10.11591/ijeecs.v22.i2.pp1208-1215.
A. Bamal, M. G. Uddin, and A. I. Olbert, “Harnessing machine learning for assessing climate change influences on groundwater resources: A comprehensive review,” Heliyon, vol. 10, no. 17, p. e37073, 2024, doi: 10.1016/j.heliyon.2024.e37073.
M. N. A. Ramadan et al., “Towards early forest fire detection and prevention using AI-powered drones and the IoT,” Internet of Things (Netherlands), vol. 27, no. May, p. 101248, 2024, doi: 10.1016/j.iot.2024.101248.
J. B. Deb, C. Varela, F. Faysal, Y. Wang, and C. Maiti, “Deep Artificial Neural Network Modeling of the Ablation Performance of Ceramic Matrix Composites in the Hydrogen Torch Test,” 2025.
