Jakarta, Technology-Indonesia.com – Penyakit tanaman merupakan salah satu faktor yang memengaruhi produksi sektor pertanian termasuk teh. Identifikasi penyakit tanaman otomatis menggunakan pembelajaran mesin (machine learning) dan pembelajaran dalam (deep learning) telah menjadi salah satu bidang riset yang sangat aktif saat ini.
Profesor riset dari Badan Riset dan Inovasi Nasional (BRIN) Hilman Ferdinandus Pardede menyampaikan, peran teknologi kecerdasan artifisial pada bidang pertanian dapat diterapkan di semua aspek, antara lain untuk identifikasi penyakit, kualitas pangan, kondisi lahan, dan distribusi hasil pertanian.
Penelitian Hilman terkait pemanfaatan teknologi pembelajaran mesin dan pembelajaran dalam pada sektor pertanian telah berhasil menemukan model pembelajaran dalam yang ringkas, tahan, dan berakurasi tinggi.
Model pembelajaran mesin dan pembelajaran dalam tersebut telah diterapkan pada sistem pengenalan penyakit tanaman, identifikasi jenis klon teh, pengenalan kualitas stroberi, dan identifikasi tingkat kesehatan tanaman pakcoy.
Untuk mendukung penelitian tersebut, Peneliti Ahli Utama Pusat Riset Kecerdasan Artifisial dan Keamanan Siber ini melakukan pengumpulan data citra daun teh untuk enam kelas, yang terdiri dari lima kelas penyakit dan satu kelas sehat.
“Data ini dikumpulkan berkolaborasi dengan Pusat Penelitian Teh dan Kina, Gambung di Jawa Barat. Total dataset yang dikumpulkan adalah 19.945,” kata Hilman saat orasi pengukuhan sebagai profesor riset pada Selasa (12/09/2023).
Selain dataset penyakit, kolaborasi yang sama juga membangun dataset jenis-jenis klon teh. Telah dikumpulkan sebanyak 28.774 gambar daun teh dari 11 jenis klon teh,” imbuh pria lulusan Tokyo Instute of Technology tersebut.
Selain teh, Hilman menyebutkan terdapat beberapa dataset yang juga telah dikumpulkan secara mandiri di antaranya 1.870 data citra buah stroberi dan 7.294 citra buah manggis.
Hilman menjelaskan, identifikasi penyakit tanaman sedini mungkin menjadi salah satu langkah yang sangat krusial untuk penanganan penyakit tanaman. Kendala dalam identifikasi penyakit secara cepat kerap dialami karena keterbatasan sumber daya manusia yang dapat melakukannya.
Karena itu, dibutuhkan sistem informasi identifikasi otomatis dengan menggunakan teknologi pembelajaran mesin dan pembelajaran dalam.
Setelah berhasil membangun dataset teh, sistem identifikasi penyakit tanaman teh berbasis pembelajaran mesin dan pembelajaran dalam pun dikembangkan. Pembelajaran dalam adalah model yang membutuhkan data besar untuk melatih. Namun, untuk menghasilkan data besar dibutuhkan biaya besar.
“Karena itu, dibutuhkan solusi agar model pembelajaran dalam yang dihasilkan dapat tetap efektif ketika dilatih dengan data yang sedikit,” kata pria yang telah menghasilkan 77 karya tulis ilmiah (KTI) tersebut.
Dua teknik sebagai solusi keterbatasan data pun telah ia kaji. Teknik pertama adalah dengan melakukan transfer learning dan fine tuning, serta teknik kedua dengan menggunakan teknik data augmentasi.
Investigasi untuk peningkatan ketahanan dari sistem pembelajaran mesin dan pembelajaran dalam untuk identifikasi penyakit tanaman juga telah Hilman lakukan dengan menerapkan multicondition training.
Lebih lanjut pria kelahiran Lubuk Pakam tersebut menjelaskan, untuk memaksimalkan pemanfaatan hasil-hasil pertanian dan perkebunan, diperlukan upaya pengelolaan pascapanen yang baik. Salah satu upaya pengelolaan hasil-hasil pertanian adalah seleksi produk hasil pertanian untuk menentukan tingkatan kualitasnya.
Untuk mengatasi keterbatasan infrastruktur di Indonesia, dibutuhkan model pembelajaran dalam yang ringkas dan tahan terhadap variasi data. Pada penelitian-penelitian yang telah dilakukkan, telah dihasilkan tiga arsitekur baru untuk pembelajaran dalam.
Pertama, CompactNet adalah sebuah arsitektur DCNN yang ringkas secara ukuran, tetapi memiliki akurasi tinggi. Kedua, model feature learning yang disebut EGAN untuk menghasilkan teknik feature learning yang menghasilkan akurasi yang lebih tinggi dari autoencoder.
Ketiga, fungsi loss baru, yaitu q-Sigmoid untuk menggantikan fungsi sigmoid yang biasa digunakan pada perceptron, penyusun dari pembelajaran dalam.
Selain melakukan riset pengembangan teknologi pembelajaran mesin dan pembelajaran dalam pada bidang pertanian, Hilman menyebutkan telah berhasil menciptakan beberapa platform informasi. Di antaranya sistem platform berbasis android dengan nama Leafo untuk deteksi penyakit tanaman pada teh dan Klonti.
Meskipun masih memiliki banyak kekurangan, diharapkan dengan adanya sistem ini dapat menjadi alat yang dapat dengan mudah digunakan oleh petani sehingga identifikasi dapat mudah dilakukan.
“Dengan melihat kemampuan sistem berbasis pembelajaran mesin dan pembelajaran dalam, seyogianya dapat mendorong untuk pene-rapan kecerdasan artifisial yang lebih luas di Indonesia untuk membangun sistem pertanian cerdas dengan menggabungkan kecerdasan artifisial dengan teknologi big data, IoT, sistem sensor, dan instrumentasi,” ujar Hilman.
Indonesia dengan beragam produk pertanian, kondisi dan karakteristik lahan pertanian yang heterogen memerlukan basis data yang lengkap dan dapat diakses berbagai pemangku kepentingan. Usaha untuk menghasilkan solusi sistem yang robust dan andal masih harus terus dilakukan.
Kolaborasi antara stakeholder baik dari petani, periset, pegiat teknologi, pemerintah dan swasta sangat diperlukan untuk menghasilkan sistem kecerdasan artifisial yang luas dan memberi dampak ekonomi yang signifikan.
Profesor Riset Hilman Ferdinandus Pardede Manfaatkan Kecerdasan Artifisial di Sektor Pertanian
