Klasifikasi dan Analisis Tingkat Kesuburan Tanah Menggunakan Metode Random Forest Berbasis Edge Computing

Ketahanan pangan dan pertanian presisi menuntut adanya pengelolaan lahan berbasis pemantauan dan analisis kualitas tanah secara seketika (real-time). Penelitian ini bertujuan untuk mengembangkan sistem monitoring dan klasifikasi tingkat kesuburan tanah berbasis Internet of Things (IoT) dan kecerdasan buatan dengan pendekatan edge computing. Sistem akuisisi data dibangun menggunakan sensor tanah 7-in-1 untuk mengukur parameter derajat keasaman (pH), Nitrogen (N), Fosfor (P), Kalium (K), dan Electrical Conductivity (EC), yang terintegrasi dengan mikrokontroler ESP32. Untuk melakukan klasifikasi lima tingkat kesuburan tanah berdasarkan standar kelayakan Balittanah, penelitian ini mengevaluasi kinerja algoritma Random Forest, Support Vector Machine (SVM), XGBoost, dan Neural Network. Model terbaik selanjutnya dikonversi menjadi format bahasa C/C++ menggunakan pustaka micromlgen (TinyML) agar dapat dieksekusi langsung pada ESP32 tanpa bergantung pada komputasi cloud. Hasil evaluasi komparatif menggunakan Stratified 6-Fold Cross-Validation menunjukkan bahwa algoritma Random Forest memiliki performa klasifikasi tertinggi dengan akurasi 99,85%. Melalui penerapan hyperparameter tuning, kompleksitas model sukses direduksi sehingga ukuran file menyusut sebesar 79,2% menjadi 27,97 KB. Hal ini membuat model sangat ringan karena hanya mengonsumsi 0,68% memori flash mikrokontroler dengan rata-rata waktu inferensi yang sangat cepat, yakni 0,0000412 detik. Infrastruktur jaringan berbasis protokol MQTT menuju basis data Supabase juga terbukti andal dengan rata-rata latensi pengiriman 0,79 detik serta tahan terhadap gangguan koneksi (fault tolerance). Secara keseluruhan, sistem cerdas ini berhasil diimplementasikan secara end-to-end yang dihubungkan dengan antarmuka aplikasi mobile berbasis Capacitor Progressive Web App (PWA) untuk menyajikan data pemantauan, klasifikasi AI, serta rekomendasi tindakan secara akurat dan real-time.