Rancang Bangun Aplikasi Agroteknologi SmartFarm dengan Model Prediktif Berbasis Deep Learning untuk Mendukung Pertanian Berkelanjutan
DOI:
https://doi.org/10.47701/en44v272Keywords:
SmartFarm, prediksi cuaca, LSTM, Machine Learning, pertanian digitalAbstract
Perubahan iklim yang menyebabkan adanya ketidakpastian dalam cuaca menjadi sebuah tantangan besar untuk sektor pertanian di Indonesia. Untuk mengatasi permasalahan ini, penelitian ini menciptakan SmartFarm, sebuah aplikasi Android yang mengandalkan model prediktif dan dirancang untuk memberikan informasi prakiraan cuaca setiap hari serta rekomendasi budidaya langsung kepada petani. Aplikasi ini memanfaatkan algoritma Long Short-Term Memory (LSTM) guna memprediksi kondisi cuaca dengan menggunakan data iklim historis Indonesia yang diperoleh dari platform Kaggle, serta didukung oleh infrastruktur cloud melalui Google Cloud Platform dan tampilan mobile yang mudah digunakan. Metodologi yang diterapkan mencakup langkah-langkah pengumpulan dan pembersihan data, analisis statistik, pra-pemrosesan, pelatihan model prediksi, pengembangan API, dan integrasi ke dalam aplikasi Android. Hasil dari pelatihan model menunjukkan tingkat akurasi yang sangat baik dengan kesalahan yang minimal dan kestabilan antara data pelatihan serta validasi. Sistem backend dapat menangani permintaan dengan waktu respons kurang dari 500 milidetik, sementara aplikasi ini dapat berfungsi secara offline dengan menyimpan data terkini. Berdasarkan penilaian teknis dan uji coba awal, aplikasi SmartFarm berhasil mencapai tujuannya sebagai alat digital yang fungsional, informatif, dan mudah digunakan oleh petani untuk mendukung pengambilan keputusan pertanian yang lebih responsif terhadap cuaca.
References
[1] I. Suranata, “Pengembangan Model Prediksi Curah Hujan di Kota Denpasar Menggunakan Metode LSTM dan GRU,” JURNAL SISTEM DAN INFORMATIKA, vol. 18, no. 1, pp. 64–73, Nov. 2023.
[2] B. Saputra, L. Hiryanto, and T. Handhayani, “PREDIKSI CURAH HUJAN DI KABUPATEN BADUNG, BALI MENGGUNAKAN METODE LONG SHORT-TERM MEMORY,” Jurnal Ilmu Komputer dan Sistem Informasi, 2023.
[3] R. Peeriga et al., “Real-Time Rain Prediction in Agriculture using AI and IoT: A Bi-Directional LSTM Approach,” Engineering, Technology and Applied Science Research, vol. 14, no. 4, pp. 15805–15812, Aug. 2024, doi: 10.48084/etasr.8011.
[4] M. Mukhlis, A. Kustiyo, A. Suharso, B. Jaya, J. Dramaga, and K. Bogor, “Peramalan Produksi Pertanian Menggunakan Model Long Short-Term Memory,” BINA INSANI ICT JOURNAL, vol. 8, no. 1, pp. 22–32, 2021.
[5] J. Miller, “Cloud Computing in Smart Agriculture: Data Storage, Processing, and Analysis,” Jun. 2023, [Online]. Available: https://www.researchgate.net/publication/389490976
[6] K. Kishor and R. K. Verma, “Cloud computing-based smart agriculture,” in Convergence of Cloud Computing, AI, and Agricultural Science, IGI Global, 2023, pp. 120–136. doi: 10.4018/979-8-3693-0200-2.ch006.
[7] A. G. Janairo, R. Concepcion, M. Guillermo, and A. Fernando, “A Cloud Computing Framework for Space Farming Data Analysis,” AgriEngineering, vol. 7, no. 5, May 2025, doi: 10.3390/agriengineering7050149.
[8] R. Gunadi, R. Tanone, and Y. Beeh, “PENERAPAN FIREBASE CLOUD STORAGE PADA APLIKASI MOBILE ANDROID UNTUK MELAKUKAN PENYIMPANAN IMAGE LAHAN PERTANIAN,” Jurnal Teknologi Informasi, no. 2, pp. 282–291, Dec. 2020.
[9] A. Joshi, K. K. Tirupati, A. Chhapola, S. Jain, and O. Goel, “Architectural Approaches to Migrating Key Features in Android Apps,” Modern Dynamics: Mathematical Progressions, vol. 1, no. 2, p. 495, Sep. 2024, doi: 10.36676/mdmp.v1.i2.
[10] J. Lumban Gaol et al., “Aplikasi Android untuk Monitoring Lahan Pertanian secara Realtime Berbasis Internet of Things,” Jurnal Teknik Informatika dan Sistem Informasi, vol. 6, no. 3, Dec. 2020, doi: 10.28932/jutisi.v6i3.3039.
[11] M. Wang et al., “Optimizing Precipitation Forecasting and Agricultural Water Resource Allocation Using the Gaussian- Stacked-LSTM Model,” Atmosphere (Basel), vol. 15, no. 11, Nov. 2024, doi: 10.3390/atmos15111308.
[12] A. Qowiim and A. Wibowo Permana, “Marketplace Pemasaran Produk Pertanian Berbasis Mobile Menggunakan Pendekatan Waterfall,” Journal of Information System Research, vol. 6, no. 2, pp. 1035–1045, Jan. 2025, doi: 10.47065/josh.v6i2.6484.
