With the development of technology today the level of soil moisture can be controlled by watering which is carried out automatically or often called the Internet of Things (IoT). Deep learning is known as the latest learning algorithm that has reliable performance and is able to build optimal models in carrying out data processing. The LSTM method was chosen to perform predictions on soil temperature and moisture data. In this study, what will be tested is the prediction of results from temperature and humidity data by looking at the rmse accuracy level with a ratio of 70% of train data and 30% of test data by conducting trials including hidden neurons, epochs, and batch sizes. The best parameters were hidden neurons of 5, epochs of 50 and 75, and batch size of 1. The results obtained from the hidden neuron parameters were valued at 0.23 for the RMSE data train score results and 0.09 for the RMSE data test score results, the parameter results from epochs worth 0.23 train score data and 0.09 test score data, the results of the parameters from the batch size worth 0.22 train score data and 0.09 test score data. Because it only has 100 data with a small value, predictions using LSTM have good accuracy.

. Dalam perkembangan teknologi informasi salah satu konsep IoT yang dapat digunakan adalah sistem smart irigasi yang nantinya akan membantu petani dalam segi pengairan di lahan pertanian. Pada penelitian ini dilakukan di lahan tertutup (greenhouse) yang memiliki beberapa komponen factor lingkungan yang penting dalam menentukan pertumbuhan dan produksi tanaman diantaranya adalah : radiasi matahari, suhu, kelembaban tanah, air, dan unsur hara. Dengan berkembangnya deep learning yang mampu membangun model yang optimal dalam melakukan pemrosesan data maka untuk melakukan prediksi data suhu dan kelembaban tanah pada penelitian ini menggunakan Metode LSTM. Dalam penelitian ini yang akan diuji adalah prediksi hasil dari data suhu dan kelembaban dengan melihat tingkat akurasi RMSE dengan perbandingan 70% data train dan 30% data test dengan melakukan uji coba meliputi neuron hidden, epochs, dan batch size. Didapatkan parameter terbaik yaitu neuron hidden sebesar 5, epochs sebesar 50 dan 75, dan batch size sebesar 1. Hasil yang diperoleh dari parameter neuron hidden senilai 0.23 untuk hasil RMSE data train score dan 0.09 untuk hasil RMSE data test score, hasil parameter dari epochs senilai 0.23 data train score dan 0.09 data test score, hasil dari parameter dari batch size senilai 0.22 data train score dan 0.09 data test score. Karena hanya memiliki 100 data dengan nilai yang kecil, maka prediksi menggunakan LSTM memiliki akurasi yang baik.