Padi Sawah merupakan salah satu tanaman pangan yang memiliki tingkat produksi paling tinggi di Kabupaten Lumajang dibandingkan dengan tanaman pangan lainnya seperti Jagung dan Ubi Kayu . Penentuan tingkat kesesuaian lahan untuk penanaman Padi Sawah sangat perlu untuk dilakukan agar nantinya dapat memberikan informasi kepada para petani dan perencana pengguna lahan dalam menentukan tindakan selanjutnya untuk dapat tetap meningkatkan produksinya. Dalam penelitian ini menggunakan Jaringan Syaraf Tiruan (JST) dengan metode Learning Vector Quantization untuk mengklasifikasikan karakteristik-karakteristik lahan kedalam kelas kesesuaian lahannya terhadap Padi Sawah. Karakteristik Lahan yang digunakan adalah 13 dan akan diklasifikasikan kedalam Empat kelas yaitu S1, S2, S3 dan N. Berdasarkan hasil ujicoba yang telah dilakukan dengan menggunakan 50% data Training,Learning Rate 0.08, MaxEpoch 100 dan Error minimum yang diharapkan adalah 0, metode Learning Vector Quantization mampu memberikan tingkat akurasi sebesar 71% dalam menentukan tingkat kesesuaian lahan untuk Padi Sawah. Hasil ujicoba tersebut selanjutnya divisualisasikan menggunakan Google Maps API. Kata Kunci: Jaringan Syaraf Tiruan (JST), Learning Vector Quantization (LVQ), Kesesuaian Lahan, Sistem Informasi Geografis(SIG),Google Maps API.

Rice is one of crops which has the highest production levels in Lumajang Regency compared with the other crops such as Maize and Cassava. Determination of the land suitability for Rice is necessary to do, so in the future can give information to farmers and land users planners in determining the next action to keep increasing of production. In this study using Artificial Neural Network (ANN) with Learning Vector Quantization (LVQ) method to classify the characteristics of land into land suitability class for Rice. Land characteristics used is 13 and will be classified into four classes, such as S1, S2, S3 and N. Based on the results of tests that have been carried out by using 50% of data Training, Learning Rate 0:08, MaxEpoch Error 100 and the expected minimum is 0, Learning Vector Quantization (LVQ) method can give the level of accuracy as big as 71% in determining land suitability of rice. Then, the test results are visualized using Google Maps API. Keywords: Artificial Neural Network (ANN), Learning Vector Quantization (LVQ), Land Suitability, Geographic Information Systems (GIS), Google Maps API.