ADAPTIVE DIGITAL TWIN BERBASIS IOT UNTUK PREDIKSI KELEMBAPAN TANAH DENGAN INTEGRASI INTENSITAS CAHAYA MENGGUNAKAN KOMPARASI LSTM DAN RANDOM FOREST

Krisis air global akibat perubahan iklim menuntut peningkatan efisiensi pada sistem irigasi pertanian skala mikro. Teknologi Internet of Things (IoT) telah banyak diterapkan, namun mayoritas sistem yang ada masih beroperasi secara reaktif berbasis ambang batas statis dan mengabaikan parameter intensitas cahaya yang esensial dalam proses evapotranspirasi. Selain itu, implementasi kecerdasan buatan sering terhambat oleh keterbatasan kapasitas memori mikrokontroler. Penelitian ini bertujuan membangun sistem Adaptive Digital Twin untuk memprediksi dinamika kelembapan tanah dengan membandingkan kinerja algoritma Long Short-Term Memory (LSTM) dan Random Forest. Pengembangan sistem menerapkan arsitektur terdistribusi Cloud-Edge IoT, di mana perangkat mikrokontroler ESP32 difokuskan untuk proses akuisisi data sensor dan aktuasi, sementara pemrosesan pemodelan prediktif dieksekusi sepenuhnya melalui infrastruktur komputasi awan. Kualitas data input ditingkatkan melalui metode kalibrasi empiris pada sensor kelembapan tanah kapasitif berbiaya rendah. Hasil penelitian membuktikan bahwa pemisahan beban kerja komputasi berjalan secara efektif. Evaluasi algoritma menunjukkan LSTM unggul secara signifikan dengan nilai koefisien determinasi mencapai 0,98, berbanding terbalik dengan Random Forest yang gagal memetakan data runtun waktu. Integrasi model prediktif terbaik ke dalam antarmuka kontrol tertutup secara sukses menciptakan mekanisme irigasi proaktif. Sistem secara presisi mampu mengantisipasi tren kekeringan dan mengaktifkan pompa secara otomatis sebelum kelembapan tanah menyentuh ambang kritis 40%, sehingga mengoptimalkan penggunaan air secara berkelanjutan.

Kata kunci: Adaptive Digital Twin, Cloud-Edge IoT, Irigasi, Kelembapan Tanah, LSTM.