This study aims to produce a monitoring system for water sprinkling by implementing the Long Short Term Memory (LSTM) algorithm on soil moisture data to form an intelligent computing system. Watering the red chili plants is still done manually so it takes a long time and the lack of knowledge about soil moisture is considered inefficient because one of the most important parameters for the growth of red chili plants is soil moisture. To help make decisions in giving chili plant water with soil moisture parameters made using the Long Short Term Memory (LSTM) Algorithm. The LSTM algorithm has three stages, namely data normalization, calculations using the LSTM method, and model evaluation using the Mean Absolute Error (MAE) and Root Mean Square Error (RMSE). The data used in the study were 100 soil moisture data. The results obtained are in the form of graphical modeling where the right time to water is at soil moisture values ranging from 0.6 – 0.8 so the system will activate the selenoid valve to open the faucet so that it can flow water to moisten the soil while when the value is below 0.6 the system will close or not open tap because the soil is already at the right moisture point in the application of water. The level of accuracy is close to the measurement data with an error value (MAE) reaching 0.11 and an error value (RMSE) reaching 0.14.

Penelitian ini bertujuan menghasilkan sistem monitoring penyiraman air dengan mengimplementasikan algoritma Long Short Term Memory (LSTM) pada data kelembapan tanah dalam membentuk sistem komputasi cerdas. Penyiraman tanaman
cabai merah yang masih dilakukan secara manual sehingga membutuhkan waktu yang lama serta kurangnya pengetahuan tentang kelembapan tanah dirasa kurang efisien dikarenakan salah satu parameter terpenting untuk pertumbuhan tanaman cabai merah yaitu kelembapan tanah. Untuk membantu memberi keputusan dalam pemberian air tanaman cabai dengan parameter kelembapan tanah yang dibuat menggunakan Algoritma Long Short Term Memory (LSTM). Algoritma LSTM ini memiliki tiga tahapan yaitu normalisasi data, perhitungan menggunakan metode LSTM, serta evaluasi model menggunakan Mean Absolute Error (MAE) dan Root Mean Square Error (RMSE). Data yang digunakan pada penelitian sebanyak 100 data kelembapan tanah. Hasil yang didapat berupa pemodelan grafik dimana waktu yang tepat untuk menyiram itu ada pada nilai kelembapan tanah berkisar 0.6 – 0.8 sehingga sistem akan mengaktifkan selenoid valve untuk membuka keran agar dapat mengalirkan air untuk melembapkan tanah sedangkan saat nilai berada dibawah 0.6 sistem akan menutup atau tidak membuka keran karena tanah sudah berada pada titik kelembapan yang tepat dalam pemberian air. Tingkat akurasi mendekati data pengukuran dengan nilai kesalahan (MAE) mencapai 0.11 dan nilai kesalahan (RMSE) mencapai 0.14.