<![CDATA[Pertanian cerdas memerlukan informasi lingkungan yang tidak hanya bersifat pemantauan, tetapi juga dapat dievaluasi untuk prediksi jangka sangat pendek. Penelitian ini merupakan eksperimen eksploratif (proof-of-concept) penerapan Internet of Things (IoT) dan Long Short-Term Memory (LSTM) menggunakan delapan parameter sensor, masing-masing 100 observasi selama sekitar 30,27 menit. Pemodelan difokuskan pada suhu lingkungan dan intensitas cahaya karena keduanya memiliki variasi temporal yang lebih informatif. Interval sampling tidak seragam (13-37 detik; median 18 detik), sehingga selisih waktu antarobservasi (Δt) dimasukkan sebagai fitur ketiga bersama suhu dan intensitas cahaya. Data dibentuk menjadi sekuen 15 langkah dan dibagi secara kronologis menjadi 59 sekuen latih, 12 validasi, dan 14 uji. Untuk mengurangi risiko overfitting, digunakan LSTM ringkas 8 unit secara terpisah untuk setiap target dan pelatihan diulang lima kali dengan seed berbeda. Model dibandingkan dengan persistence dan autoregression AR(3)-Ridge. Pada suhu, LSTM menghasilkan MAE 0,117±0,033 °C dan belum mengungguli persistence (0,021 °C). Pada intensitas cahaya, MAE LSTM 6,689±0,350 Lux sedikit lebih rendah daripada persistence (6,992 Lux), tetapi AR(3)-Ridge memberikan hasil terbaik dengan MAE 5,317 Lux, RMSE 6,704 Lux, dan R² 0,293. Hasil menunjukkan bahwa keunggulan LSTM belum dapat digeneralisasi pada dataset yang sangat kecil dan berdurasi pendek; model sederhana tetap kompetitif dan bahkan lebih stabil pada kondisi tertentu.]]>
Copyrights © 2026
