KLASIFIKASI JENIS PUPUK MENGGUNAKAN METODE BI LSTM

Abstract

Pertanian berkelanjutan membutuhkan pemilihan jenis pupuk yang tepat untuk mendukung
efisiensi penggunaan sumber daya dan menjaga keberlanjutan lingkungan. Namun, keterbatasan
informasi berbasis data sering kali menyebabkan ketidaktepatan dalam pemilihan pupuk. Riset ini
menyoroti pengembangan sistem klasifikasi jenis pupuk dengan memanfaatkan algoritma deep
learning Bidirectional Long Short-Term Memory (Bi-LSTM) berbasis dataset publikasi IEEE
Access yang memuat parameter lingkungan meliputi Nitrogen, Fosfor, Kalium, jenis tanah, dan
jenis tanaman, dengan nama pupuk sebagai variabel target; proses penelitian dilakukan melalui
normalisasi data, pemisahan dataset menjadi data latih serta uji, pelatihan model Bi-LSTM, hingga
evaluasi kinerja menggunakan Accuracy, Precision, Recall, dan F1-score, di mana hasil pengujian
menunjukkan capaian akurasi 96,25% dengan nilai Precision, Recall, dan F1-score sebesar 0,962,
serta dukungan visualisasi confusion matrix yang membuktikan tingkat kesalahan rendah sehingga
menegaskan bahwa Bi-LSTM efektif untuk klasifikasi pupuk dan berpotensi menjadi solusi cerdas
dalam membantu petani mengambil keputusan pemupukan yang lebih efisien, tepat sasaran, dan
ramah lingkungan.