Pertanian modern memerlukan pemantauan kondisi lingkungan secara akurat untuk memastikan kesehatan tanaman dan mencegah penurunan produktivitas. Penelitian ini bertujuan untuk mengklasifikasikan kondisi lingkungan tanaman menjadi kategori sehat dan tidak sehat berdasarkan parameter suhu, kelembaban, curah hujan dan pH tanah. Metode Random Forest digunakan sebagai algoritma klasifikasi karena kemampuannya mengolah data berdimensi tinggi, meminimalkan risiko overfitting, serta memberikan akurasi prediksi yang andal. Dataset penelitian dibagi menjadi data latih dan data uji, dengan evaluasi performa model menggunakan metrik akurasi, presisi, recall, dan F1 score. Hasil penelitian menunjukkan bahwa model Random Forest mampu menghasilkan akurasi sebesar ±85%, dengan nilai presisi dan recall yang seimbang, sehingga dapat diandalkan dalam mendeteksi kondisi lingkungan tanaman. Kesimpulannya, metode Random Forest efektif digunakan untuk klasifikasi kesehatan tanaman dan berpotensi mendukung pengambilan keputusan dalam manajemen pertanian berbasis data.

Modern agriculture requires accurate monitoring of environmental conditions to ensure plant health and prevent productivity decline. This study aims to classify plant environmental conditions into healthy and unhealthy categories based on temperature, humidity, Rain Fall and soil pH. The Random Forest method was used as the classification algorithm due to its ability to process high-dimensional data, minimize the risk of overfitting, and provide reliable prediction accuracy. The research dataset was divided into training and test data, with model performance evaluated using accuracy, precision, recall, and F1-score metrics. The results showed that the Random Forest model achieved an accuracy of ±85%, with balanced precision and recall values, making it reliable in detecting plant environmental conditions. In conclusion, the Random Forest method is effective for plant health classification aPnd has the potential to support data driven decision-making in agricultural management.