Prediksi Kejadian Hujan dan Tidak Hujan Menggunakan Metode Long Short Term Memory (LSTM) untuk Optimalisasi Aktivitas Forcing di PT. Great Giant Pineapple (GGP), Lampung (Studi Kasus Tahun 2023)
Hujan merupakan salah satu parameter penting dalam bidang pertanian. Pola
hujan yang sering berubah-ubah dapat mengganggu keberhasilan aktivitas forcing
pada nanas. Forcing merupakan teknik untuk menyeragamkan pembungaan nanas
dari vegetatif ke generatif menggunakan bahan kimia. Penelitian ini bertujuan
untuk mengoptimalisasi aktivitas forcing nanas dengan melakukan prediksi
kejadian hujan dan tidak hujan per jam menggunakan metode Long Short Term
Memory (LSTM) di PT. Great Giant Pineapple, Lampung. Model arsitektur yang
digunakan yaitu Vanilla LSTM. Model prediksi LSTM dibangun dengan
mengombinasikan variabel masukan dengan hyperparameter LSTM. Stasiun
Traknus memperoleh nilai RMSE uji terkecil 1,18 mm. Stasiun Lakop
memperoleh nilai RMSE uji terkecil 0,98 mm. Hasil pengujian kombinasi
menunjukkan persentase tinggi pada keberhasilan aktivitas forcing pada kedua
stasiun pengujian. Dari data pengamatan aktual dan hasil prediksi yang telah diuji
diperoleh persentase kejadian tidak hujan pada Stasiun Traknus dan Stasiun
Lakop memiliki nilai persentase yang sama yaitu 94,07%. Persentase keberhasilan
aktivitas forcing saat kejadian tidak hujan dan temperatur berada di bawah 25 ℃
memperoleh nilai 91,67% untuk Stasiun Traknus dan 93,75% untuk Stasiun
Lakop. Sedangkan, persentase kegagalan aktivitas forcing disebabkan kejadian
hujan pada Stasiun Traknus hanya bernilai 3,99
URI
https://repo.itera.ac.id/depan/submission/SB2406070051
Keyword
Forcing,Hujan,Iklim Mikro,Prediksi,Vanilla LSTM.