Model Prediksi Cuaca Menggunakan Deep Learning pada Sistem Pendukung Keputusan Agroekologi Kesesuaian Lahan Bawang Putih

Abstract

Perubahan iklim berdampak pada sektor pertanian, termasuk terganggunya pola tanam dan produksi bawang putih. Konsumsi bawang putih nasional meningkat 4,24% per tahun (2017–2021), sementara produksi lokal menurun 5,18%, menyebabkan defisit pasokan. Untuk menjawab tantangan ini, sistem INA Agro-GARLIC yang sebelumnya hanya menilai kesesuaian lahan dikembangkan dengan fitur kalender musim tanam berbasis prediksi cuaca menggunakan data Visual Crossing. Penelitian ini membangun dan menguji tiga model yaitu LSTM, GRU, dan Facebook Prophet dengan pembagian data 80% data latih dan 20% data uji dengan menggunakan data periode tanggal 8 Januari 2019 sampai 8 Januari 2025. Tahapan penelitian dimulai dari processing data, dilanjutkan dengan pembuatan model prediksi, serta penerapan metode prototype untuk membangun kalender tanam. Hasil menunjukkan bahwa LSTM dan GRU mampu memprediksi parameter cuaca seperti curah hujan dengan baik, ditandai dengan Mean Absolute Error (MAE) dan Mean Squared Error (MSE) yang rendah serta nilai R² tinggi, yaitu hingga 0,997 di Magetan dan 0,9990 di Lombok Timur. GRU unggul dalam kecepatan dan akurasi, misalnya di Lombok Timur membutuhkan waktu pelatihan 8.205–8.253 detik dengan R² sebesar 0,9990, sedangkan LSTM mencapai R² sebesar 0,9986. Facebook Prophet menunjukkan hasil yang kurang optimal dengan MAE dan MSE tinggi serta R² rendah. Model terbaik diintegrasikan ke dalam sistem INA Agro-GARLIC untuk menghasilkan kalender tanam berbasis prediksi cuaca, yang memberikan rekomendasi waktu tanam optimal berdasarkan curah hujan. Sistem ini diharapkan membantu petani mengantisipasi risiko perubahan cuaca sejak awal musim tanam, mengurangi kegagalan panen, dan meningkatkan efisiensi serta produktivitas pertanian bawang putih.