Indonesia adalah negara berkembang yang masih sebagian besar penduduknya bekerja sebagai petani. Salah satu tanaman yang banyak dibudidayakan adalah tanaman cabai rawit. Setiap tahunnya, hasil produksi cabai rawit selalu meningkat. Walaupun demikian, petani belum mampu untuk memenuhi kebutuhan permintaan pasar yang sangat tinggi dikarenakan sering kali mengalami gagal panen akibat tanaman cabai rawit yang rusak oleh hama dan juga penyakit. Permasalahan yang dihadapi adalah terkendala akan situasi untuk monitoring tanaman jarak jauh dan kurangnya pengetahuan tentang parameter pertumbungan pada tanaman cabai.
Berdasarkan pada masalah tersebut, pembuatan website dan klasifikasi pertumbuhan akan menjadi solusi untuk bisa menghasilkan tanaman cabai dengan pertumbuhan yang ideal. Data yang ditampilkan pada website adalah data yang telah diambil oleh perangkat IoT berdasarkan pada kondisi greenbox dan pertumbuhan cabai yang disimpan di dalam database firebase. Disiapkan pula hosting untuk kemudahan admin dalam memantau tanaman dari jarak jauh. Selanjutnya, klasifikasi pertumbuhan bertujuan untuk membuat penentuan parameter paling berpengaruh dalam pertumbuhan tanaman cabai. Data yang telah tersimpan di database kemudian diolah menjadi dataset dalam bentuk file excel. Sedangkan, algoritma yang digunakan untuk pengklasifikasian pertumbuhan tanaman adalah Decision Tree.
Berdasarkan hasil pengujian fungsionaitas pada website, seluruh fitur dapat berjalan dengan baik dan optimal. Website dapat menampilkan informasi greenbox dan tanaman cabai sesuai dengan data yang tersimpan di database dan mampu memperbaharui data yang ditampilkan setiap kali database memperbaharui datanya. Pada pengujian QoS, rata-rata delay yang dihasilkan sebesar 48,11 ms dan dikategorikan sangat baik, rata-rata throughput yang dihasilkan sebesar 701,78 Kbps dan dikategorikan cukup, sedangkan rata-rata packet loss yang dihasilkan sebesar 1,26% dan dikategorikan sangat baik. Sedangkan, untuk pengklasifikasian tanaman dengan algoritma Decision Tree, diperoleh akurasi sebesar 99,93% dan mampu mengkategorikan pertumbuhan tanaman cabai, yaitu kurang optimal dan optimal dengan mendefinisikan nilai atribut yang digunakan.
Kata Kunci : Cabai Rawit, Dataset, Decision Tree, Greenbox, Python, Website.