Irigasi merupakan komponen vital dalam pertanian modern, sangat mempengaruhi produktivitas dan kualitas hasil panen. Efisiensi irigasi bergantung pada beberapa faktor lingkungan, terutama nilai referensi evapotranspirasi (ETo) yang mempengaruhi kebutuhan air tanaman. Penelitian ini bertujuan untuk mengembangkan model prediksi ETo menggunakan metode Long Short-Term Memory (LSTM) berbasis data iklim. Model LSTM dikembangkan dengan fitur-fitur utama, seperti temperatur minimum (Tn), temperatur maksimum (Tx), temperatur rata-rata (Tavg), radiasi matahari (ss), curah hujan (RR), dan evapotranspirasi referensi (ETo). Hasil penelitian menunjukkan bahwa penggunaan semua fitur secara bersamaan memberikan prediksi ETo yang paling baik, dengan nilai Mean Squared Error(MSE) sebesar 0.476 dan Root Mean Squared Error (RMSE) sebesar 0.690. Model LSTM yang dikembangkan mampu menghasilkan hasil prediksi yang sangat mendekati nilai aktual ETo, Menjadikannya alat efektif untuk mendukung sistem irigasi presisi. Saran diberikan untuk memperpanjang rentang data dan mengeksplorasi model hybrid guna meningkatkan akurasi prediksi lebih lanjut. Penelitian ini berkontribusi pada pengembangan teknologi irigasi presisi lebih efisien dan berbasis data.

Irrigation is a vital component in modern agriculture, greatly affecting crop productivity and quality. Irrigation efficiency depends on several environmental factors, especially reference value of evapotranspiration (ETo) which affects crop water requirements. This research aims to develop an ETo prediction model using the Long Short-Term Memory (LSTM) method based on climate data. The LSTM model was developed with key features, such as minimum temperature (Tn), maximum temperature (Tx), average temperature (Tavg), solar radiation (ss), rainfall (RR), and reference evapotranspiration (ETo). The results showed that the use of all features together provided the best ETo prediction, with a Mean Squared Error (MSE) value of 0.476 and Root Mean Squared Error (RMSE) of 0.690. The developed LSTM model is able to produce prediction results that are very close to the actual value of ETo, making it an effective tool to support precision irrigation systems. Suggestions are given to extend the data range and explore hybrid models to further improve prediction accuracy. This research contributes to the development of more efficient and data-driven precision irrigation technology.