Model Prediksi Serangan Hama Cabai Secara Simultan Menggunakan Arsitektur LSTM Multi-Output dengan Kalibrasi Domain IoT

Budidaya cabai (Capsicum annuum L.) di Indonesia menghadapi ancaman produktivitas yang persisten dari tiga hama utama, yaitu Thrips parvispinus, Bemisia tabaci, dan Polyphagotarsonemus latus (tungau kutu), yang dinamika populasinya sangat dipengaruhi oleh iklim mikro, sehingga pemodelan prediktif berbasis iklim mikro menjadi strategi yang layak untuk intervensi tepat waktu. Penelitian ini mengembangkan model Long Short-Term Memory (LSTM) multi-output untuk memprediksi serangan hama cabai secara simultan, dilatih menggunakan data reanalysis satelit NASA POWER periode 2015–2026 untuk lokasi di Kabupaten Sukoharjo, Jawa Tengah (7,621674°LS, 110,787109°BT). Sebanyak 29 fitur iklim mikro direkayasa dari enam variabel mentah (suhu rata-rata/maksimum/minimum, kelembapan relatif, kecepatan angin, dan radiasi matahari), meliputi rata-rata bergulir, nilai lag, defisit tekanan uap (VPD), dan indikator fenologis. Pelabelan proksi ekologis berdasarkan literatur terpublikasi digunakan untuk menentukan tiga tingkat peringatan (Aman, Waspada, Bahaya); ketidakseimbangan kelas ditangani melalui strategi SMOTEENN independen per hama. Model Bi-temporal LSTM (128–64 unit) dilatih menggunakan fungsi Ordinal Smooth Focal Loss dan divalidasi pada data uji temporal 15% (2024–2026), mencapai F1-score tertimbang sebesar 0,8921 (Thrips), 0,8634 (Bemisia), dan 0,8847 (Tungau), dengan AUC makro melebihi 0,90 untuk seluruh hama, mengungguli baseline Random Forest, XGBoost, dan GRU. Modul kalibrasi domain-gap IoT diintegrasikan untuk menjembatani perbedaan antara data pelatihan berbasis satelit dan data sensor lapangan untuk penerapan di dunia nyata. Kerangka kerja ini menawarkan solusi berbiaya rendah, berbasis data, dan dapat direplikasi untuk manajemen hama presisi pada usaha tani cabai skala kecil.