Analisis Prediksi Kadar CO₂ (PPM) Berdasarkan Suhu Dan Kelembapan Menggunakan Sensor DHT22 Dan MQ135 Dengan Perbandingan Model Machine Learning Berbasis IoT Pada ESP32

Penelitian ini bertujuan untuk menganalisis dan memprediksi kadar karbon dioksida (CO₂) dalam satuan part per million (PPM) berdasarkan pengaruh suhu dan kelembapan menggunakan sensor DHT22 dan MQ135 yang diintegrasikan pada mikrokontroler ESP32 sebagai sistem Internet of Things (IoT). Data dikumpulkan dalam dua sesi pengujian. Sesi pertama dilakukan pada pukul 16.00–20.00 dengan interval 1 detik, di mana terdapat lonjakan signifikan akibat paparan asap insektisida. Sesi kedua dilakukan pada pukul 00.00–08.00 dengan interval 2 detik, menghasilkan sekitar 13.000 data yang lebih stabil untuk analisis pembelajaran mesin. Data yang diperoleh diolah menggunakan beberapa algoritma machine learning, yaitu Linear Regression, Random Forest, CatBoost, LightGBM, XGBoost, dan Neural Network (Keras). Hasil menunjukkan bahwa model CatBoost memberikan performa terbaik dengan tingkat akurasi mencapai 98,9%, nilai Mean Absolute Error (MAE) sebesar 2.75, dan Mean Relative Error (MRE) sebesar 1.08%. Penelitian ini menunjukkan bahwa implementasi IoT berbasis ESP32 dengan integrasi sensor gas dan suhu dapat digunakan sebagai sistem prediksi kualitas udara sederhana, serta menjadi dasar pengembangan perangkat pemantauan lingkungan cerdas di masa depan.