Pemantauan fase pertumbuhan tanaman padi secara akurat menjadi krusial untuk menjaga produktivitas, terutama pada sistem pertanian modern seperti vertical farming yang memiliki ruang terbatas. Namun, pemantauan manual bersifat subjektif dan tidak efisien. Penelitian ini bertujuan untuk membangun model klasifikasi fase pertumbuhan tanaman padi secara otomatis berdasarkan data multimodal. Metode yang diusulkan adalah arsitektur hybrid yang menggabungkan Convolutional Neural Network (CNN) untuk mengekstraksi fitur spasial dari data citra dan Long Short-Term Memory (LSTM) untuk menganalisis pola temporal dari data sensor lingkungan (suhu, kelembapan, pH, dll.). Data dikumpulkan dari sistem vertical farming dan digunakan untuk mengklasifikasikan delapan fase pertumbuhan, mulai dari Persemaian hingga Pematangan. Model dibangun menggunakan library TensorFlow/Keras dan dievaluasi kinerjanya. Hasil pengujian menunjukkan bahwa model hybrid CNN-LSTM mampu mencapai akurasi sebesar 87% dengan nilai precision, recall, dan F1-score rata-rata 0.87. Model menunjukkan performa sangat baik pada kelas dengan data yang cukup, seperti fase Vegetatif Awal (F1-score 0.96), namun mengalami penurunan performa pada kelas minoritas akibat distribusi data yang tidak seimbang. Penelitian ini membuktikan bahwa pendekatan hybrid CNN-LSTM efektif untuk klasifikasi fase pertumbuhan padi secara presisi, sekaligus menekankan pentingnya keseimbangan data untuk membangun model yang andal.

Accurate monitoring of rice plant growth phases is crucial for maintaining productivity, especially in modern agricultural systems with limited space, such as vertical farming. However, manual monitoring is subjective and inefficient. This research aims to build an automatic classification model for rice plant growth phases based on multimodal data. The proposed method is a hybrid architecture that combines a Convolutional Neural Network (CNN) to extract spatial features from image data and a Long Short-Term Memory (LSTM) to analyze temporal patterns from environmental sensor data (e.g., temperature, humidity, pH). Data was collected from a vertical farming system and used to classify seven growth phases, from Nursery to Maturation. The model was built using the TensorFlow/Keras library, and its performance was evaluated. The test results show that the hybrid CNN-LSTM model achieved an accuracy of 87%, with average precision, recall, and F1-score values of 0.87. The model demonstrated excellent performance on classes with sufficient data, such as the Early Vegetative phase (F1-score of 0.96), but showed performance degradation on minority classes due to an imbalanced data distribution. This study proves that the hybrid CNN-LSTM approach is effective for precisely classifying rice growth phases, while also emphasizing the importance of data balance in building a reliable model.