Cuaca merupakan variabel lingkungan krusial yang berpengaruh signifikan terhadap sektor-sektor strategis, termasuk pertanian, transportasi, pariwisata, serta mitigasi bencana. Di Daerah Istimewa Yogyakarta (DIY), wilayah yang memiliki intensitas aktivitas agrikultur dan pariwisata yang tinggi, ketepatan informasi cuaca harian menjadi faktor penentu dalam perencanaan operasional dan pengambilan keputusan. Mengingat dinamika iklim tropis Indonesia yang ditandai oleh ketidakstasioneran pola dan fluktuasi ekstrem, pendekatan prediksi berbasis model numerik konvensional sering kali kurang adaptif. Penelitian ini bertujuan mengembangkan model klasifikasi cuaca harian menggunakan algoritma Random Forest berdasarkan data historis dari Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) Stasiun Klimatologi Mlati, Sleman, periode 2022–2025. Dataset terdiri atas 1.230 observasi harian dengan enam variabel meteorologis: suhu minimum (TN), suhu maksimum (TX), kelembapan rata-rata (RH_AVG), curah hujan (RR), lama penyinaran matahari (SS), dan kecepatan angin maksimum (FF_X).
Proses pra-pemrosesan mencakup penanganan missing value, pembentukan lag features (t−1) untuk menangkap ketergantungan temporal, pelabelan kelas berdasarkan kriteria operasional BMKG (Cerah: RR = 0 mm & RH_AVG < 80%; Mendung: RR = 0 mm & RH_AVG ≥ 80%; Hujan: RR > 0 mm), serta pembagian data secara kronologis (time-series split) dengan rasio 80% untuk pelatihan (Januari 2022–Agustus 2024) dan 20% untuk pengujian (September 2024–Desember 2025). Evaluasi model dilakukan menggunakan metrik yang robust terhadap ketidakseimbangan kelas, yaitu Macro-average F1-score, Accuracy, Precision, Recall, dan ROC-AUC (One-vs-Rest). Hasil menunjukkan bahwa model Random Forest mencapai F1-score (Macro) sebesar 0,4486, ROC-AUC 0,7248, dan akurasi 50,00% pada data uji.
Analisis feature importance mengidentifikasi kelembapan rata-rata hari sebelumnya (RH_AVG_lag1) dan curah hujan hari sebelumnya (RR_lag1) sebagai prediktor paling dominan, yang konsisten dengan prinsip fisika atmosfer tropis. Temuan ini mengonfirmasi bahwa Random Forest mampu menangkap pola temporal cuaca harian di wilayah tropis, meskipun performanya masih dibatasi oleh kesederhanaan fitur input dan kompleksitas dinamika iklim lokal. Penelitian ini memberikan fondasi metodologis bagi pengembangan sistem prediksi cuaca berbasis machine learning yang lebih adaptif, interpretable, dan spesifik wilayah untuk mendukung sektor strategis di Indonesia.