EVALUASI MODEL PREDIKTIF BERBASIS IoT DAN LONG SHORT-TERM MEMORY UNTUK PREDIKSI JANGKA SANGAT PENDEK SUHU DAN INTENSITAS CAHAYA PADA SISTEM PERTANIAN CERDAS

Ridwan Ridwan; Firman Santosa; Muslim Muslim

doi:10.30606/rjocs.v12i1.4928

Authors

Ridwan Ridwan Universitas Rokania
Firman Santosa Universitas Rokania
Muslim Muslim Universitas Rokania

DOI:

https://doi.org/10.30606/rjocs.v12i1.4928

Keywords:

Internet Of Things, Long Short-Term Memory, Iklim Mikro, Pertanian Cerdas, Prediksi Deret Waktu

Abstract

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.

Downloads

Download data is not yet available.

References

A. Soussi, E. Zero, R. Sacile, D. Trinchero, and M. Fossa, “Smart sensors and smart data for precision agriculture: A review,” Sensors, vol. 24, no. 8, Art. no. 2647, 2024, doi: 10.3390/s24082647.

V. Kumar, K. V. Sharma, N. Kedam, A. B. Patel, T. R. Kate, and U. Rathnayake, “A comprehensive review on smart and sustainable agriculture using IoT technologies,” Smart Agricultural Technology, vol. 8, Art. no. 100487, 2024, doi: 10.1016/j.atech.2024.100487.

S. Dhanasekar, “A comprehensive review on current issues and advancements of Internet of Things in precision agriculture,” Computer Science Review, vol. 55, Art. no. 100694, 2025, doi: 10.1016/j.cosrev.2024.100694.

T. Alahmad, M. Neményi, and A. Nyéki, “Applying IoT sensors and big data to improve precision crop production: A review,” Agronomy, vol. 13, no. 10, Art. no. 2603, 2023, doi: 10.3390/agronomy13102603.

L. Hartawan et al., “Design of IoT-based greenhouse temperature and humidity monitoring system,” ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, vol. 12, no. 4, pp. 1051-1062, 2024, doi: 10.26760/elkomika.v12i4.1051.

M. D. Agustiningsih, P. C. A. Lestari, R. M. Savitrah, A. Fahmi, and Hamdan, “Nogo Osing Apps: Aplikasi sistem monitoring & kontrol buah naga berbasis IoT,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 11, no. 1, pp. 145-154, 2024, doi: 10.25126/jtiik.20241117683.

H. Hasfani and U. Ristian, “Infrastruktur jaringan komunikasi pada smart-green house tanaman anggur berbasis edge computing,” ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, vol. 12, no. 2, pp. 484-497, 2024, doi: 10.26760/elkomika.v12i2.484.

I. Ruslianto, U. Ristian, and H. Hasfani, “Sistem pintar untuk anggur (Sipunggur) pada kawasan tropis berbasis Internet of Things (IoT),” JEPIN (Jurnal Edukasi dan Penelitian Informatika), vol. 8, no. 1, pp. 121-127, 2022, doi: 10.26418/jp.v8i1.52835.

Y. Taqiyuddin, I. Ruslianto, and U. Ristian, “Sistem monitoring hidroponik indoor berbasis wick menggunakan HOPONIC (Home Pot Hidroponic),” ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, vol. 12, no. 1, pp. 201-215, 2024, doi: 10.26760/elkomika.v12i1.201.

A. Suryaningrat, D. Kurnianto, and R. A. Rochmanto, “Sistem monitoring kelembaban tanaman cabai rawit menggunakan irigasi tetes gravitasi berbasis Internet of Things (IoT),” ELKOMIKA: Jurnal Teknik Energi Elektrik, Teknik Telekomunikasi, & Teknik Elektronika, vol. 10, no. 3, pp. 568-580, 2022, doi: 10.26760/elkomika.v10i3.568.

H. Februariyanti, T. Khristianto, A. Jananto, and E. Nurraharjo, “Analisis sistem kontrol kelembapan ruang budidaya tanaman berbasis ANFIS-IoT,” Journal of Telecommunication, Electronics, and Control Engineering, vol. 7, no. 2, pp. 119-133, 2025, doi: 10.20895/jtece.v7i2.1833.

Y. Wang, M. O. Ojo, and A. Zahid, “Automated IoT-enabled greenhouse microclimate prediction using multivariate sequence-to-sequence LSTM-based encoder-decoder,” Internet of Things, vol. 38, Art. no. 102015, 2026, doi: 10.1016/j.iot.2026.102015.

Z. Guo and L. Feng, “Multi-step prediction of greenhouse temperature and humidity based on temporal position attention LSTM,” Stochastic Environmental Research and Risk Assessment, vol. 38, pp. 4907-4934, 2024, doi: 10.1007/s00477-024-02840-x.

Y. Yang, P. Gao, Z. Sun, H. Wang, M. Lu, Y. Liu, and J. Hu, “Multistep ahead prediction of temperature and humidity in solar greenhouse based on FAM-LSTM model,” Computers and Electronics in Agriculture, vol. 213, Art. no. 108261, 2023, doi: 10.1016/j.compag.2023.108261.

X. Li, L. Zhang, X. Wang, and B. Liang, “Forecasting greenhouse air and soil temperatures: A multi-step time series approach employing attention-based LSTM network,” Computers and Electronics in Agriculture, vol. 217, Art. no. 108602, 2024, doi: 10.1016/j.compag.2023.108602.

P.-Y. Kow, M.-H. Lee, W. Sun, M.-H. Yao, and F.-J. Chang, “Integrate deep learning and physically-based models for multi-step-ahead microclimate forecasting,” Expert Systems with Applications, vol. 210, Art. no. 118481, 2022, doi: 10.1016/j.eswa.2022.118481.

T. Liu, X. Qiao, S. Liu, and S. Qi, “Research on greenhouse environment prediction based on GCAKF-CNN-LSTM,” Applied Engineering in Agriculture, vol. 40, no. 2, pp. 181-187, 2024, doi: 10.13031/aea.15867.

T.-H. Chen, M.-H. Lee, I.-W. Hsia, C.-H. Hsu, M.-H. Yao, and F.-J. Chang, “Develop a smart microclimate control system for greenhouses through system dynamics and machine learning techniques,” Water, vol. 14, no. 23, Art. no. 3941, 2022, doi: 10.3390/w14233941.

O. S. Ajani, M. J. Usigbe, E. Aboyeji, D. D. Uyeh, Y. Ha, T. Park, and R. Mallipeddi, “Greenhouse micro-climate prediction based on fixed sensor placements: A machine learning approach,” Mathematics, vol. 11, no. 14, Art. no. 3052, 2023, doi: 10.3390/math11143052.

T. Petrakis, A. Kavga, V. Thomopoulos, and A. A. Argiriou, “Neural network model for greenhouse microclimate predictions,” Agriculture, vol. 12, no. 6, Art. no. 780, 2022, doi: 10.3390/agriculture12060780.

S.-H. Park, B.-Y. Lee, M.-J. Kim, W. Sang, M. C. Seo, J.-K. Baek, J. E. Yang, and C. Mo, “Development of a soil moisture prediction model based on recurrent neural network Long Short-Term Memory (RNN-LSTM) in soybean cultivation,” Sensors, vol. 23, no. 4, Art. no. 1976, 2023, doi: 10.3390/s23041976.

D. F. Kandamali, E. Porter, W. M. Porter, A. McLemore, D. O. Kiobia, A. P. Tavandashti, and G. C. Rains, “Hybrid LSTM method for multistep soil moisture prediction using historical soil moisture and weather data,” AgriEngineering, vol. 7, no. 8, Art. no. 260, 2025, doi: 10.3390/agriengineering7080260.

H. T. A. Simanjuntak, A. Lumbanraja, G. Samosir, and Regita, “Prediksi single-step dan multi-step data cuaca menggunakan model Long Short-Term Memory dan SARIMA,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 12, no. 2, pp. 399-410, 2025, doi: 10.25126/jtiik.2025129444.

N. M. M. C. Devi, I. P. A. Bayupati, and N. K. A. Wirdiani, “Prediksi curah hujan dasarian dengan metode Vanilla RNN dan LSTM untuk menentukan awal musim hujan dan kemarau,” JEPIN (Jurnal Edukasi dan Penelitian Informatika), vol. 8, no. 3, pp. 405-411, 2022, doi: 10.26418/jp.v8i3.56606.

R. Hidayat and I. Wibisonya, “Rice price prediction with Long Short-Term Memory (LSTM) neural network,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 8, no. 5, pp. 658-664, 2024, doi: 10.29207/resti.v8i5.6041.