Notice: Undefined index: item_type_code in /var/www/html/pustaka/repository/lib/detail.inc.php on line 462
Basardo Saragih Pengarang Drs. Humuntal Rumapea, M.Kom Penguji 1 Naikson Fandier Saragih, S.T., M.Kom. Penguji 2

ABSTRAK Kebutuhan pangan yang besar maka dibutuhkan ketahanan pangan.Pemerintah Indonesia sudah membangun Kawasan Lumbung Pangan atau Food Estate di Provinsi Sumatera Utara, berlokasi di Desa Huta Julu, Kecamatan Pollung, Kabupaten Humbang Hasundutan.Dalam pengembangan pangan ini, terdapat beberapa daerah dalam food estate yang masih belum menggunakan teknologi canggih dan tanaman yang tumbuhnya kurang baik.Faktor iklim dan cuaca sangat mempengaruhi proses dan hasil pertanian dan perkebunandi Food Estate. Curah hujan adalah salah satu faktor yang mempengaruhi pertumbuhan tanaman di Food Estate.Rendahnya curah hujan dapat mengakibatkan pengairan dilahan pertanian menjadi sulit. Begitupun sebaliknya, pertanian yang berada di daerah basah akan mengalami banjir dan juga berpeluang mengalami gagal panen. Tanaman akan kehilangan unsur hara dan ada beberapa organisme yang dapat bergembang biak dengan sangat baik .Dalam penelitian ini akan dilakukan prediksi suatu data yang digunakan untuk mengetahui tingkat cruah hujan dimasa yang akan datang, guna membantu para petani melakukan persiapan dan pengambilan kebijakan terkait kegiatan pertanian agar nantinya hasil produksi dari suatu tanaman akan menghasilkan kualitas yang baik. Metode dalam melakukan prediksi telah diuji dalam berbagai proses penilitian, salah satunya yaitu metode Long Short Term Memory (LSTM). LSTM merupakan arsitektur dari Reccurent Neural Network (RNN).LSTM dapat digunakan untuk memproses data sequential sehingga dapat digunakan untuk memprediksi data yang bersifat time series. Parameter yang digunakan mempengaruhi hasil prakiraan metode LSTM dalam penelitian ini. Dengan menggunakan parameter batch size 10 serta epoch 100 didapat nilai akurasi dalam memprediksi dengan RMSE 0.89. Kata kunci : Food Estate, Peramalan, Long Short Term Memory , Reccurent Neural Network, Batch Size, Epoch ,RMSE, Curah Hujan.