Skripsi ini berjudul "Pengembangan Model Prediksi Parameter Agroklimatologi Pada Aplikasi Kalender Tanam Menggunakan Metode Long-Short Term Memory". Penelitian ini bertujuan untuk mengembangkan sebuah model prediksi berbasis Long Short-Term Memory (LSTM) guna memprediksi parameter agroklimatologi yakni intensitas cahaya matahari, suhu, kelembaban udara, kelembaban tanah, curah hujan dan kecepatan angin dengan mengambil wilayah Sulawesi Selatan sebagai studi kasus untuk melakukan validasi hasil prediksi.

Berdasarkan hasil pengujian, setiap parameter cuaca memerlukan konfigurasi arsitektur LSTM yang berbeda untuk mencapai prediksi yang optimal, dengan penggunaan epoch 30 terbukti paling akurat pada semua atribut cuaca. Pada aspek hidden layer, model dengan satu hidden layer digunakan untuk intensitas sinar matahari, kelembaban udara, dan kecepatan angin, sementara model dengan empat hidden layer memberikan hasil terbaik untuk curah hujan. Untuk jumlah neuron, prediksi curah hujan menggunakan jumlah neuron terendah (100, 50, 25, 12), sedangkan kelembaban udara menggunakan jumlah neuron tertinggi (128). Dalam hal dropout, nilai terendah (0,1-0,2) diterapkan pada intensitas sinar matahari, curah hujan, dan kecepatan angin, sementara nilai tertinggi (0,5) digunakan pada kelembaban udara.

Secara keseluruhan, penggunaan konfigurasi arsitektur LSTM yang tepat pada hidden layer, neuron, dan dropout menghasilkan tingkat akurasi yang berbeda pada setiap atribut cuaca. Model dengan konfigurasi hidden layer, neuron, dan dropout paling rendah diterapkan pada intensitas sinar matahari sedangkan konfigurasi tertinggi digunakan pada kelembaban udara dan curah hujan. Hal ini menunjukkan bahwa penyesuaian arsitektur LSTM berdasarkan karakteristik setiap atribut cuaca sangat penting untuk mencapai hasil prediksi yang paling akurat.

Kata kunci: LSTM, Intensitas Sinar Matahari, Suhu, Curah Hujan, Kelembaban Udara, Kelembaban Tanah, Kecepatan Angin, Kalender Tanam.