PERENCANAAN PRODUKSI PANGAN BERKELANJUTAN BERBASIS ARTIFICIAL INTELLIGENCE (AI) DI KAWASAN TAMBANG PT XYZ = SUSTAINABLE FOOD PRODUCTION PLANNING BASED ON ARTIFICIAL INTELLIGENCE (AI) IN THE MINING AREA OF PT XYZ

ILMADINA, Kawasan pertambangan menghadapi tantangan signifikan dalam ketahanan pangan akibat berkurangnya lahan produktif dan ketergantungan tinggi terhadap pasokan eksternal. Penelitian ini bertujuan merencanakan sistem perencanaan produksi pangan berkelanjutan berbasis Artificial Intelligence (AI) menggunakan algoritma Long Short-Term Memory (LSTM) di kawasan tambang PT XYZ, Sorowako, Sulawesi Selatan. Metode penelitian menggunakan pendekatan kuantitatif dengan analisis data lingkungan (curah hujan, pH tanah), data demografi, dan data produksi pangan historis. Model LSTM dirancang dengan arsitektur 2 LSTM layer (128 dan 64 unit), 2 Dense layers, dan output layer dengan total 142,674 parameters, menggunakan time window 12 bulan untuk menangkap pola musiman. Hasil penelitian mengidentifikasi kebutuhan pangan untuk populasi 8,767 jiwa meliputi 880.20 ton beras/tahun dan 10,424 ton ikan/tahun. Terdapat ketimpangan distribusi signifikan dengan Desa Lioka mengalami surplus 848.33 ton beras (395% kecukupan) sementara Desa Wawondula defisit 182.47 ton (69% kecukupan). Kondisi lingkungan menunjukkan pH tanah agak masam (5.66-5.89), kandungan bahan organik rendah (2.40-2.49%), kandungan besi air tinggi (2.36 ppm atau 787% dari standar), dan DO marginal (5.76 ppm). Model LSTM mencapai performa excellent dengan akurasi 97%, RMSE 3.24 ton (beras) dan 12.8 ton (ikan), MAPE 2.1% (beras) dan 1.4% (ikan), serta R² score 0.94. Distribusi error menunjukkan 79.8% prediksi memiliki error <2%, mengkonfirmasi reliabilitas sistematis. Sistem terintegrasi menggunakan FastAPI (backend), PostgreSQL (database), dan Streamlit (frontend) menghasilkan 6 rekomendasi strategis: (1) penanaman padi optimal Februari-April dengan ROI 25-30%; (2) irigasi tambahan Agustus-September dengan ROI 35-40%; (3) monitoring DO 2x/hari dengan ROI 40-50%; (4) distribusi beras Lioka-Wawondula dengan ROI 15-20%; (5) buffer stock 5% dengan ROI 20-25%; dan (6) intensifikasi budidaya ikan November-April dengan ROI 30-35%. Implementasi sistem meningkatkan akurasi perencanaan tanam dari 65% menjadi 97% (+32%), efisiensi penggunaan air dari 70% menjadi 89% (+19%), mengurangi kegagalan panen dari 15% menjadi 3% (-12%), dan mengurangi shortage pangan dari 8 kali/tahun menjadi 1 kali/tahun (-87.5%). Penelitian membuktikan pendekatan AI-LSTM efektif untuk perencanaan produksi pangan berkelanjutan di kawasan tambang, mendukung SDG 2 (Zero Hunger) dan SDG 12 (Responsible Consumption and Production).