Dalam sistem akuaponik, ikan sebagai penghasil nutrisi bagi tanaman harus terjaga kesehatannya setiap saat. Salah satu aspek penting yang mempengaruhi kesehatan ikan adalah suhu air. Oleh karena itu, banyak penelitian yang mencoba membuat sistem kontrol yang dapat menstabilkan suhu air sesuai dengan kondisi yang dibutuhkan oleh ikan. Pada kondisi iklim tertentu, perubahan suhu air yang ekstrem akan membahayakan kesehatan ikan, dan banyak sistem kontrol dari penelitian yang telah dilakukan tidak responsif terhadap perubahan suhu air yang ekstrem. Forecasting Decision Tree Regression (DTR) dapat mengoptimalkan kontrol suhu, tetapi overfitting dapat terjadi. Tujuan dari penelitian ini adalah untuk memaksimalkan fungsi dari sistem kontrol suhu air dengan menerapkan algoritma Adaptive Boosting (AdaBoost). Algoritma AdaBoost dapat mengurangi overfitting pada model DTR selama proses pembelajaran. Untuk menguji kinerja algoritma yang diusulkan, dibangun sistem akuakultur berbasis IoT. Berdasarkan penerapan sistem kontrol suhu air yang telah dilakukan, maka dapat disimpulkan bahwa model DTR menggunakan Algoritma AdaBoost memiliki kinerja yang lebih baik dengan rata-rata squared error (MSE) nilai 0,00454 dan nilai R-Squared dari 0,92847, dibandingkan dengan model DTR tanpa algoritma AdaBoost dengan nilai MSE 0,01211 dan R-Squared nilai 0.80920, dengan parameter max-dept yang sama yaitu 8.