<![CDATA[Perubahan iklim global yang ditandai dengan meningkatnya variabilitas suhu permukaan memberikan dampak signifikan terhadap sektor pertanian, terutama di wilayah tropis yang sangat rentan terhadap anomali iklim. Kondisi ini menuntut adanya sistem prediksi yang akurat untuk mendukung perencanaan pertanian berkelanjutan. Penelitian ini bertujuan mengembangkan model prediksi suhu permukaan berbasis Artificial Neural Network (ANN/MLP) serta membandingkan performanya dengan metode Regresi Linier Multivariat (MLR) sebagai baseline. Data meteorologi yang digunakan meliputi suhu permukaan (T2M), kelembapan udara (RH2M), tekanan udara (PS), radiasi matahari, dan curah hujan. Model ANN dirancang dengan lima neuron input, dua hidden layer beraktivasi ReLU (64 dan 32 neuron), serta satu output neuron untuk memprediksi suhu permukaan. Evaluasi dilakukan menggunakan metrik R², RMSE, dan MSE pada data uji. Hasil penelitian menunjukkan bahwa model ANN/MLP memiliki performa lebih baik dibandingkan MLR. ANN mampu menjelaskan 89% variabilitas data dengan nilai R² = 0.89, serta menghasilkan RMSE = 1.05 °C dan MSE = 1.10 °C², sedangkan MLR hanya mencapai R² = 0.71, dengan RMSE = 1.82 °C dan MSE = 3.31 °C². Visualisasi perbandingan prediksi memperlihatkan bahwa distribusi hasil ANN lebih dekat dengan nilai aktual dibandingkan regresi linier. Dapat disimpulkan bahwa pendekatan berbasis ANN/MLP efektif untuk meningkatkan akurasi prediksi suhu permukaan pada variabilitas iklim tropis. Implementasi model ini berpotensi mendukung pertanian cerdas iklim (climate-smart agriculture) melalui penentuan kalender tanam yang lebih tepat, efisiensi pengelolaan irigasi, serta mitigasi risiko gagal panen akibat suhu ekstrem]]>
Copyrights © 2025
