Nutrisi dalam tanah tersedia dalam bentuk ion terlarut dalam air, yang dikenal sebagai larutan tanah. Nutrisi makro dan mikro yang dibutuhkan tanaman harus larut dalam air agar dapat diserap oleh akar, seperti nitrogen (N), fosfor (P), dan kalium (K). Ketersediaan unsur hara tersebut berperan penting dalam menentukan mutu serta hasil produksi pertanian. Kekurangan unsur hara dapat menghambat pertumbuhan tanaman, menurunkan hasil panen, dan meningkatkan risiko serangan hama maupun penyakit. Dalam praktiknya, petani masih menentukan dosis pupuk secara manual atau berdasarkan pengalaman, sehingga rawan terjadi ketidaksesuaian antara kebutuhan nutrisi dan jumlah pupuk yang diberikan. Oleh karena itu, penelitian ini bertujuan untuk memprediksi kandungan nutrisi tanah dengan memanfaatkan teknologi kecerdasan buatan (Artificial Intelligence) guna mendukung sistem rekomendasi pemupukan presisi. Penelitian ini menggunakan pendekatan multivariate time series yang mampu mempertimbangkan korelasi antar variabel lingkungan seperti pH, kelembaban, dan kandungan unsur hara. Metode yang digunakan adalah 1D-CNN, 2D-CNN, dan kombinasi keduanya. Namun, 1D-CNN memiliki keterbatasan dalam menangkap hubungan spasial antar variabel, sedangkan 2D-CNN kurang efektif dalam menangani aspek temporal dari data deret waktu. Oleh karena itu, kombinasi kedua model digunakan untuk mengatasi kekurangan masing-masing arsitektur. Hasil evaluasi menunjukkan bahwa model kombinasi 1D-CNN dan 2D-CNN memberikan performa terbaik dengan nilai error MAE, MAPE, dan RMSE untuk variabel N sebesar 6.70; 6.44; 6.37. Untuk variabel P sebesar 10.39%; 12.52%; 15.92%, dan untuk variabel K sebesar 7.85; 7.53; 7.47.

Kata Kunci: 1D-CNN, 2D-CNN, Kombinasi, Multivariate time series, Nutrisi Tanah.