Electronic Theses and Dissertation

Perubahan iklim yang tidak menentu menimbulkan tantangan bagi sektor
pertanian, khususnya dalam menentukan jadwal tanam yang optimal. Penelitian ini
bertujuan untuk mengembangkan sistem informasi kalender tanam berbasis website
dengan memanfaatkan metode Long Short-Term Memory (LSTM) untuk meramalkan
parameter iklim di Kabupaten Aceh Besar. Sistem dikembangkan menggunakan
framework Next.js untuk frontend, Hono.js untuk backend API, Flask untuk integrasi
model LSTM, dan MongoDB sebagai database. Data iklim yang digunakan meliputi
curah hujan, suhu udara, kelembaban udara relatif dari BMKG, serta data radiasi
matahari dari NASA untuk periode Januari 2005 hingga Juni 2025. Pengembangan
sistem dilakukan secara iteratif menggunakan metode Agile dengan lima sprint selama
4 bulan. Hasil penelitian menunjukkan bahwa model LSTM dengan proporsi data
90:10 menghasilkan performa terbaik untuk variabel suhu udara (RMSE: 0,64; MAE:
0,43; MAPE: 1,53%), kelembaban udara (RMSE: 5,58; MAE: 3,61; MAPE: 4,99%),
dan radiasi matahari (RMSE: 3,32; MAE: 2,12; MAPE: 14,65%). Untuk curah hujan,
konfigurasi terbaik dicapai pada proporsi 80:20 (RMSE: 12,66; MAE: 4,57; MAPE:
68,28%). Hasil peramalan diintegrasikan ke dalam kalender tanam yang menunjukkan
masa tanam optimal pada September-Oktober 2025 dan Januari-Mei 2026, dengan
masa bera pada Juli-Agustus 2025, November-Desember 2025, dan Juni 2026.
Pengujian fungsional dengan metode black-box testing menunjukkan bahwa seluruh
fitur sistem berfungsi sesuai spesifikasi. Sistem dapat diakses melalui website
zonapetik.tech dan memberikan kemudahan bagi petani dalam merencanakan aktivitas
tanam berdasarkan prediksi iklim yang akurat.
Kata kunci : Kalender Tanam, Long Short-Term Memory, Peramalan Iklim, Sistem
Informasi Pertanian, Website, Aceh Besar

Unpredictable climate change poses challenges for the agricultural sector, particularly in determining optimal planting schedules. This research aims to develop a website-based planting calender information system utilizing the Long Short-Term Memory (LSTM) method to forecast climate parameters in Aceh Besar Regency. The system was develop using Next.js framework for frontend, Hono.js for backend API, Flask for LSTM model integration, and MongoDB as the database. Climate data used includes rainfall, air temperature, relative humidity from BMKG, and solar radiation data from NASA for the period January 2005 to June 2025. System development was carried out iteratively using the Agile method with five sprints over 4 months. The results show that the LSTM model with a 90:10 data proportion produces the best performance for air temperature (RMSE: 0.64; MAE: 0.43; MAPE: 1.53%), relative humidity (RMSE: 5.58; MAE: 3.61; MAPE: 4.99%), and solar radiation (RMSE: 3.32; MAE: 2.12; MAPE: 14.65%). For rainfall, the best configuration was achieved with an 80:20 proportion (RMSE: 12.66; MAE: 4.57; MAPE: 68.28%). The forecast results were integrated into a planting calendar showing optimal planting periods in September-October 2025 and January-May 2026, with fallow periods in July-August 2025, November-December 2025, and June 2026. Functional testing using black-box testing method shows that all system features function according to specifications. The system can be accessed through the website zonapetik.tech and provides convenience for farmers in planning planting activities based on accurate climate predictions. Keywords : Planting Calender, Climate Forecasting, Long Short-Term Memory, Agricultural Information System, Website, Aceh Besar