Penelitian ini bertujuan mengoptimalkan perlakuan tanaman padi dengan teknologi deep learning, khususnya melalui penggabungan model Convolutional Neural Network (CNN) dan Long Short-Term Memory (LSTM). Fokus utama penelitian adalah meningkatkan akurasi klasifikasi perlakuan yang tepat bagi tanaman padi berdasarkan usia tanaman, bukan kekurangan nutrisi atau penyakit. Dalam konteks pertanian urban yang menghadapi keterbatasan lahan, integrasi data citra dan deret waktu dieksplorasi untuk mendukung pengambilan keputusan yang lebih akurat. Dataset penelitian terdiri dari 8.866 gambar tanaman padi yang mencakup berbagai fase pertumbuhan, serta data lingkungan seperti suhu, kelembapan, dan intensitas cahaya. Model CNN digunakan untuk menganalisis pola spasial dari citra, sementara LSTM menangkap pola temporal dari data lingkungan. Penggabungan ini menghasilkan rekomendasi perlakuan yang lebih akurat sesuai fase pertumbuhan.Hasilnya, model gabungan CNN dan LSTM mencapai akurasi klasifikasi sebesar 96%, lebih tinggi dibandingkan dengan model yang berdiri sendiri. Penelitian ini diharapkan memberikan kontribusi signifikan terhadap peningkatan produktivitas pertanian di lahan terbatas dan mendukung ketahanan pangan di Indonesia. Dengan pendekatan ini, petani dapat mengelola perlakuan tanaman secara lebih efektif dan efisien.

This research aims to optimize rice crop treatment using deep learning technology, specifically through the combination of Convolutional Neural Network (CNN) and Long Short-Term Memory (LSTM) models. The main focus of the study is to improve the accuracy of treatment classification for rice plants based on plant age, rather than nutrient deficiencies or diseases. In the context of urban agriculture facing land limitations, the integration of image and time-series data is explored to support more accurate decision making. The research dataset consists of 8,866 images of rice plants covering various growth phases, as well as environmental data such as temperature, humidity, and light intensity. The CNN model is used to analyze the spatial patterns of the images, while the LSTM captures the temporal patterns of the environmental data. This combination produces more accurate treatment recommendations according to the growth phase. As a result, the combined CNN and LSTM model achieved a classification accuracy of 96%, higher than standalone models. This research is expected to make a significant contribution to increasing agricultural productivity on limited land and supporting food security in Indonesia. With this approach, farmers can manage crop treatment more effectively and efficiently.