Penelitian ini bertujuan untuk mengatasi tantangan sektor pertanian dalam pengklasifikasian fase pertumbuhan tanaman padi yang dilakukan secara manual dan secara visual mata manusia yang sehingga menciptakan prediktif yang tidak akurat. dengan pendekatan budidaya Vertical farming yang terintegrasi dengan teknologi Internet of Things (IoT) menciptakan sumber data perlakuan pertumbuhan tanaman padi sesuai dengan kondisi lingkungan pertumbuhan padi dari waktu ke waktu sesuai dengan fase pertumbuhan padi. Metode yang diusulkan berupa hibridasi arsitektur Convolutional Neural Network (CNN)-Support Vector Machine (SVM) dengan teknik Multimodal pendekatan secara fusi untuk mengklasifikasikan fase pertumbuhan padi dengan modalitas citra yang terfusi dengan dataset numerik lingkungan. Klasifikasi yang diindentifikasikan berupa 8 fase meliputi Persemaian, Vegetatif awal, Anakan Maksimum, Primodia Malai, Bunting, Pengisian gabah, pematangan, dan masa panen. Dengan memanfaatkan fitur spasial dari masing-masing aristektur berupa ekstraksi fitur citra pada CNN dan pengolahan data sensor yang struktural dari SVM sehingga menciptakan akurasi 95,73% pada pengujian akhir, dari hasil yang disajikan menunjukkan bahwa model hybrid dari kedua arsitektur memiliki performa dalam pengklasifikasian yang sangat baik dan dapat diandalkan, dengan model ini diharapakan tantangan pada sektor pertanian yaitu pengklasifikasian fase pertumbuhan padi dengan cara manual dapat teratasi dengan pengembangan model hybrid Convolutional Neural Network (CNN)-Support Vector Machine (SVM).

This research aims to overcome the challenges of the agricultural sector in classifying the growth phase of rice plants which is done manually and visually by the human eye which creates inaccurate predictions. Vertical farming approach integrated with Internet of Things (IoT) technology creates a data source for rice plant growth treatment according to the environmental conditions of rice growth from time to time according to the growth phase of rice. The proposed method is a hybrid of Convolutional Neural Network (CNN)-Support Vector Machine (SVM) architecture with a Multimodal diffusion approach technique to classify the growth phase of rice with diffused image modality with environmental numerical dataset. The classification identified 8 phases including Seedling, Early Vegetative, Maximum tillering, Panicle Primodia, Bunting, Grain filling, ripening, and harvesting. By utilizing the spatial features of each architecture in the form of image feature extraction on CNN and structural sensor data processing from SVM to create an accuracy of 93.4% in the final test, the results presented show that the hybrid model of the two architectures has excellent and reliable performance in classification, with this model it is hoped that the challenges in the agricultural sector, namely the classification of rice growth phases by manual means, can be resolved with the development of a hybrid Convolutional Neural Network (CNN)-Support Vector Machine (SVM) model.