Klasifikasi Kematangan Kompos Organik Menggunakan Metode Decission Tree Berbasiskan Edge Computing Pada Sistem Smart Composter

Pengelolaan sampah organik rumah tangga melalui pengomposan umumnya masih dilakukan secara manual dengan mengandalkan pengamatan visual yang subjektif terhadap indikator fisik seperti warna, tekstur, dan bau untuk menentukan
kematangan kompos. Subjektivitas tersebut meningkatkan risiko evaluasi yang tidak konsisten serta kegagalan proses. Penelitian ini mengusulkan sistem smart composter yang mengintegrasikan sensor Internet of Things (IoT) dengan model machine learning
berbasis pohon keputusan (CatBoost, Random Forest, dan XGBoost) yang berjalan pada perangkat edge computing untuk mengklasifikasikan kematangan kompos berdasarkan nilai Germination Index (GI). Dua arsitektur prediksi dirancang dan
dibandingkan secara head-to-head, yaitu Arsitektur A (Single-Stage) yang memetakan fitur sensor mentah langsung ke nilai GI, dan Arsitektur B (Two-Stage Soft-Sensor) yang terlebih dahulu mengestimasi empat parameter laboratorium yang sulit diukur langsung
(rasio C/N, Electrical Conductivity, Total Nitrogen, dan Nitrate) sebagai keluaran soft-sensor antara sebelum memprediksi GI. Kedua
arsitektur dievaluasi pada lima skema augmentasi data (baseline, C-Mixup, GMM, CTGAN, SMOTE) dan tiga metode optimasi
hyperparameter (Bayesian Optimization, Random Search, Grid Search) menggunakan skema nested cross-validation berbasis batch
pada 452 data asli dari dataset kompos publik, membentuk 270 kombinasi eksperimen. Hasil menunjukkan Arsitektur A secara
signifikan mengungguli Arsitektur B (paired t-test, p = 0,00022). Konfigurasi terbaik, yaitu CatBoost dengan augmentasi GMM pada Arsitektur A yang dioptimalkan menggunakan Random Search, memperoleh RMSE = 17,729, MAE = 13,342, dan R² = 0,628. Saat
diimplementasikan pada Raspberry Pi 4B dan diuji pada tujuh batch hold-out independen (52 sampel), model mencapai R² = 0,745, akurasi klasifikasi kematangan 75,0%, serta latensi inferensi rata-rata hanya 1,528 ms, jauh di bawah ambang batas real-time 50 ms. Temuan ini menunjukkan bahwa model tree-based single-stage mampu memberikan klasifikasi kematangan kompos yang objektif
dan berlatensi rendah, sesuai untuk implementasi real-time pada perangkat edge dengan sumber daya terbatas.