Implementasi model Patch Time Series Transformer (PatchTST) untuk prediksi kondisi dan kebutuhan tumbuhan

Ashadi, Zulfan Al-Zahwan Putra (2026) Implementasi model Patch Time Series Transformer (PatchTST) untuk prediksi kondisi dan kebutuhan tumbuhan. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text 1_Cover.pdf Download (219kB) | Preview
Preview	Text 2_abstrak.pdf Download (247kB) | Preview
Preview	Text 3_skbebasplagiarism.pdf Download (960kB) | Preview
Preview	Text 4_daftarisi.pdf Download (310kB) | Preview
Preview	Text 5_bab1.pdf Download (440kB) | Preview
	Text 6_bab2.pdf Restricted to Registered users only Download (640kB) | Request a copy
	Text 7_bab3.pdf Restricted to Registered users only Download (489kB) | Request a copy
	Text 8_bab4.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text 9_bab5.pdf Restricted to Registered users only Download (212kB) | Request a copy
	Text 10_daftarpustaka.pdf Restricted to Registered users only Download (245kB) | Request a copy
	Text 11_lampiran.pdf Restricted to Repository staff only Download (359kB) | Request a copy

Abstract

Perubahan iklim yang memicu cuaca ekstrem dan anomali suhu berdampak buruk pada sektor pertanian, sehingga sistem pemantauan Internet of Things (IoT) konvensional yang hanya bersifat reaktif tidak lagi memadai untuk pengambilan keputusan. Penggunaan model prediksi pertanian seperti LSTM juga masih memiliki kelemahan, yaitu rentan terhadap akumulasi error pada long-term forecasting. Oleh karena itu, penelitian ini bertujuan mengimplementasikan arsitektur Patch Time Series Transformer (PatchTST) untuk memprediksi kondisi lingkungan budidaya selada merah keriting, meliputi suhu, kelembapan, intensitas cahaya, curah hujan, dan cuaca. Penelitian ini menggunakan metodologi CRISP-DM dengan memanfaatkan dataset deret waktu multivariat dari Open-Meteo Archive API (2020–2026) serta data aktual sensor IoT. Untuk mengatasi kendala interpretasi data numerik bagi petani, sistem memadukan hasil prediksi PatchTST dengan Large Language Model (LLM) Qwen 2.5/14B yang berfungsi menerjemahkan data teknis menjadi rekomendasi tindakan mitigasi berbahasa alami. Hasil pengujian menunjukkan bahwa arsitektur PatchTST mampu melakukan long-term forecasting yang stabil hingga horizon 720 jam (30 hari). Kinerja terbaik pada model regresi didapatkan pada prediksi intensitas cahaya dengan nilai Mean Absolute Error (MAE) sebesar 0,177 dan Mean Squared Error (MSE) 0,099, sedangkan pada pemodelan klasifikasi cuaca mencapai Mean Accuracy sebesar 75,45%. Implementasi akhir membuktikan bahwa integrasi PatchTST dengan IoT dan LLM berhasil mewujudkan sistem pendukung keputusan smart farming yang tidak hanya akurat secara prediktif, tetapi juga preskriptif dan mudah dipahami oleh pengguna.

Actions (login required)

View Item