PREDIKSI KEBUTUHAN AIR UNTUK PENYIRAMAN TANAMAN PAPRIKA PADA SISTEM PERTANIAN GREENHOUSE MENGGUNAKAN METODE GATE RECURRENT UNIT (GRU)

Abstract

Pertanian berkelanjutan menuntut efisiensi penggunaan sumber daya, terutama air, yang
sering kali menjadi faktor pembatas dalam budidaya tanaman, termasuk di sistem greenhouse.
Penelitian ini berfokus pada pengembangan model prediksi kebutuhan air tanaman paprika
menggunakan algoritma deep learning Gated Recurrent Unit (GRU). Pemilihan GRU didasarkan
pada kemampuannya dalam mengolah data deret waktu yang bersifat kompleks serta dinamis.
Data sekunder yang digunakan diperoleh dari repositori 4TU.ResearchData, mencakup parameter
lingkungan seperti suhu, kelembapan, dan radiasi, dengan volume irigasi sebagai target prediksi.
Proses penelitian meliputi normalisasi data, pembagian data latih dan uji, pelatihan model,
denormalisasi hasil prediksi, serta evaluasi performa dengan metrik MAE, MSE, RMSE, dan R².
Hasil pengujian menunjukkan bahwa GRU mampu menghasilkan prediksi dengan tingkat akurasi
sangat tinggi, ditunjukkan oleh nilai R² sebesar 0,9979, MAE sebesar 6,88, MSE sebesar 140,87,
dan RMSE sebesar 11,87. Temuan ini membuktikan bahwa model GRU efektif dalam
memprediksi kebutuhan air secara akurat dan dapat diimplementasikan dalam sistem irigasi
otomatis di greenhouse. Dengan demikian, model ini berpotensi mendukung efisiensi penggunaan
air dan peningkatan produktivitas pertanian berbasis teknologi cerdas.