Pemantauan kondisi dan fase pertumbuhan tanaman melon di lingkungan greenhouse merupakan faktor penting dalam menentukan keberhasilan budidaya dan kualitas hasil panen. Namun, proses pemantauan tersebut masih banyak dilakukan secara manual, sehingga berpotensi menimbulkan keterlambatan dalam pengambilan tindakan pertanian yang tepat. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan sistem smart farming berbasis kecerdasan buatan yang mampu melakukan pemantauan kondisi tanaman secara otomatis, prediktif, dan adaptif. Pada penelitian ini, dikembangkan sebuah sistem terintegrasi yang mengombinasikan model visi komputer dan pembelajaran mesin. Model You Only Look Once (YOLO (You Only Live Once)) digunakan untuk mendeteksi fase pertumbuhan tanaman melon berdasarkan citra visual, yaitu fase vegetatif, generatif, dan fruit setting. Selanjutnya, model Long Short-Term Memory (LSTM (Long Short-Term Memory)) diterapkan untuk melakukan prediksi deret waktu terhadap nilai konduktivitas tanah (EC) sebagai dasar pembentukan mekanisme early warning dan anomaly detection. Informasi fase pertumbuhan dari YOLO (You Only Live Once) serta hasil prediksi LSTM (Long Short-Term Memory) kemudian digabungkan dengan data sensor lingkungan untuk menjadi input bagi model Artificial Neural Network (ANN (Artificial Neural Network)) yang berfungsi sebagai sistem pendukung keputusan dalam merekomendasikan tindakan pertanian. Dataset yang digunakan dalam penelitian ini terdiri dari data sensor lingkungan dan citra tanaman melon yang dikumpulkan secara periodik di dalam greenhouse selama periode [ISI RENTANG WAKTU DATASET]. Hasil pengujian menunjukkan bahwa model YOLO (You Only Live Once) mampu mendeteksi fase pertumbuhan tanaman melon dengan nilai mAP@0.5 sebesar 81.3%. Model LSTM (Long Short-Term Memory) menghasilkan performa prediksi yang baik dengan nilai RMSE sebesar 73.5917, sedangkan model ANN (Artificial Neural Network) mampu mengklasifikasikan rekomendasi tindakan pertanian dengan tingkat akurasi sebesar 0.036354. Berdasarkan hasil tersebut, dapat disimpulkan bahwa sistem smart farming yang dikembangkan mampu mendukung pemantauan kondisi tanaman melon serta pengambilan keputusan pertanian secara lebih cepat dan akurat. Sistem ini memiliki potensi untuk diterapkan sebagai solusi pertanian presisi berbasis kecerdasan buatan di lingkungan greenhouse.