Air merupakan elemen krusial bagi pertumbuhan dan perkembangan tumbuhan, serta kesuburan tanah sangat tergantung pada tingkat kelembaban di dalamnya. Oleh karena itu, manusia melakukan penyiraman pada tanah dan tanaman untuk memastikan pertumbuhan yang subur. Namun, tantangan muncul karena penyiraman masih sering dilakukan secara manual, sulit untuk mengukur kelembaban tanah secara akurat, dan dapat mengakibatkan kerusakan tanaman. Kondisi kelembapan tanah dan suhu udara memengaruhi pertumbuhan tanaman cabai, Tujuan penelitian adalah penelitian mencakup komputasi nilai evapotranspirasi. Penelitian ini memiliki batasan pada pemodelan evapotranspirasi berdasarkan suhu dan kelembapan, menggunakan model Hargreaves, dan menggunakan data dari NASA Power Data pada lokasi tertentu. Penelitian menggali metode Hargreaves dan Samani untuk menentukan evapotranspirasi acuan (ETo) di wilayah dengan data iklim terbatas. Model jaringan saraf berulang (RNN) diterapkan untuk memahami penguapan pada tanaman, dengan fokus pada tanaman cabai merah keriting. Rumusan masalah melibatkan pembangunan model komputasi cerdas untuk evapotranspirasi dan evaluasi menggunakan MSE dengan hasil 0,007 dan RMSE 0,0258.

Water is a crucial element for the growth and development of plants, and soil fertility is highly dependent on the moisture levels within it. Therefore, humans engage in irrigation of soil and plants to ensure prosperous growth. However, challenges arise as irrigation is often done manually, making it difficult to accurately measure soil moisture and potentially causing harm to plants. The conditions of soil moisture and air temperature significantly impact the growth of chili plants. The research aims to investigate the computation of evapotranspiration. The study is limited to modeling evapotranspiration based on temperature and humidity, using the Hargreaves model and utilizing data from NASA Power Data at specific locations. The research explores the Hargreaves and Samani methods to determine reference evapotranspiration (ETo) in regions with limited climate data. A recurrent neural network (RNN) model is applied to comprehend evaporation in plants, focusing on curly red chili plants.The problem formulation involves developing an intelligent computational model for evapotranspiration and evaluating it using Mean Squared Error (MSE) with results of 0.007 and Root Mean Squared Error (RMSE) of 0.0258.