Sistem hidroponik berbasis Internet of Things (IoT) memungkinkan pemantauan nutrisi tanaman secara real-time, namun penggunaan perangkat yang bekerja secara kontinu menyebabkan konsumsi energi menjadi tinggi. Penelitian sebelumnya umumnya menerapkan mekanisme deep sleep secara statis tanpa mempertimbangkan perubahan kebutuhan nutrisi tanaman, sehingga efisiensi energi belum optimal. Penelitian ini bertujuan untuk mengembangkan penjadwalan deep sleep adaptif berbasis prediksi Long Short-Term Memory (LSTM) guna meningkatkan efisiensi energi pada sistem IoT hidroponik tanpa mengganggu kestabilan nutrisi tanaman. Objek penelitian berupa sistem hidroponik selada berbasis ESP32 dengan parameter utama Total Dissolved Solids (TDS). Data TDS dikumpulkan setiap 5 menit selama 15 hari dan menghasilkan 4.320 data deret waktu. Model LSTM digunakan untuk memprediksi nilai TDS dan menentukan durasi deep sleep perangkat secara adaptif berdasarkan perubahan nutrisi yang diprediksi. Kinerja model dievaluasi menggunakan Root Mean Square Error (RMSE), sedangkan efisiensi energi dianalisis melalui perbandingan konsumsi daya sebelum dan sesudah penerapan sistem adaptif. Hasil penelitian menunjukkan bahwa model stacked LSTM mampu memberikan performa prediksi yang baik dengan nilai RMSE terendah sebesar 16,83 ppm pada konfigurasi 64–32 unit, window size 48, dan 150 epoch. Implementasi deep sleep adaptif berhasil menurunkan konsumsi energi dari 17,078 Wh menjadi 1,642 Wh dengan tingkat efisiensi sebesar 90,39%. Temuan ini menunjukkan bahwa integrasi LSTM dan mekanisme deep sleep adaptif efektif dalam meningkatkan efisiensi energi sistem IoT hidroponik sekaligus mempertahankan kestabilan pemantauan nutrisi tanaman. Penelitian ini berimplikasi pada pengembangan sistem pertanian cerdas yang lebih hemat energi, adaptif, dan berkelanjutan.