Pertanian memegang peranan penting dalam mengamankan masa depan umat manusia dan tetap menjadi fondasi ekonomi Indonesia dan global. Meningkatnya risiko krisis pangan dalam beberapa dekade mendatang, didorong oleh faktor-faktor seperti cuaca yang tidak menentu dan menurunnya unsur hara tanah, menggarisbawahi kebutuhan mendesak akan teknologi pertanian yang inovatif. Tesis ini berfokus pada peningkatan efisiensi aplikasi pupuk kedelai, tanaman penting untuk pasokan protein Indonesia, dengan mengusulkan sistem optimasi berbasis Reinforcement Learning. Secara khusus, sistem ini menggunakan Deep Q-Network (DQN) yang terintegrasi dengan Prioritized Experience Replay (PER) dan Noisy Network (NN) untuk mengelola aplikasi pupuk secara adaptif di lingkungan alami pertanian yang dinamis. Hasil penelitian menunjukkan bahwa model yang telah dibuat mampu merekomendasikan pupuk SP36 sebanyak 150 kg/ha, pupuk urea penyubur sebanyak 100 kg/ha, dan pupuk KCL sebanyak 125 kg/ha. Dibandingkan dengan metode A2C dan PPO, perbedaannya berkurang 14% untuk pupuk urea, 33% untuk pupuk KCL, sedangkan untuk SP36 selisihnya 23%. Oleh karena itu, kerangka kerja terpadu ini mengungguli metode dan algoritma perbandingan tradisional dengan mencapai hasil tertinggi dan secara signifikan mengurangi penggunaan pupuk KCL dan Urea. Temuan utama mengungkapkan bahwa DQ dengan PER dan NN dapat secara efektif mengeksplorasi dan beradaptasi dengan kondisi lingkungan yang berfluktuasi, sehingga menghasilkan kebijakan pengelolaan pupuk yang beragam dan efisien. Pendekatan ini tidak hanya meningkatkan efisiensi sumber daya tetapi juga mengatasi ketidakpastian lingkungan, sehingga mendukung keberlanjutan pertanian dan meningkatkan produktivitas hasil kedelai.