EDUCARE.CO.ID – Mengenali penyakit pada tanaman jagung tidak selalu mudah. Sejumlah penyakit memiliki gejala yang mirip pada permukaan daun, mulai dari munculnya bercak hingga perubahan warna dan kerusakan jaringan.
Kondisi tersebut dapat menyulitkan identifikasi, terutama jika pemeriksaan hanya mengandalkan pengamatan visual. Padahal, semakin lama penyakit dikenali, semakin besar pula risiko penyebarannya ke tanaman lain.
Di sisi lain, penggunaan pestisida yang tidak tepat juga dapat menimbulkan persoalan baru. Resistensi patogen dan dampak terhadap lingkungan menjadi beberapa risiko yang perlu diperhatikan.
Melihat persoalan tersebut, Salma Aida Yasmi, mahasiswa D4 Teknik Informatika Fakultas Vokasi Universitas Airlangga (UNAIR), mengembangkan sistem deteksi penyakit tanaman jagung berbasis deep learning.
Berdasarkan rilis Fakultas Vokasi UNAIR, inovasi tersebut menjadi bagian dari skripsi Salma berjudul Sistem Deteksi Penyakit pada Tanaman Jagung dengan Perbandingan Arsitektur CNN (Convolutional Neural Network). Penelitian itu berada di bawah bimbingan Endah Purwanti.
Cukup Unggah Foto Daun Jagung
Salma mengembangkan sistem dengan memanfaatkan ribuan gambar daun jagung sebagai data pelatihan. Tim mengelompokkan gambar tersebut ke dalam empat kategori kondisi tanaman.
Keempat kategori itu meliputi bercak daun abu-abu (Gray Leaf Spot), karat daun (Common Rust), hawar daun jagung bagian utara (Northern Leaf Blight), dan daun sehat (Healthy).
Setelah itu, Salma mengembangkan model tersebut dalam bentuk website. Dengan format ini, pengguna dapat mengakses sistem melalui berbagai perangkat tanpa harus memasang aplikasi khusus.
Cara kerjanya cukup sederhana. Pengguna hanya perlu mengunggah foto daun jagung ke dalam website. Selanjutnya, sistem membaca karakteristik visual pada foto dan memberikan kategori kondisi daun.
Selain hasil identifikasi, website juga menyediakan informasi mengenai penyebab penyakit serta langkah penanganan awal.
Sistem turut mencantumkan referensi produk pengendali penyakit. Namun, pengguna tetap perlu mengikuti petunjuk pada label dan mempertimbangkan kondisi tanaman.
Konsultasi dengan penyuluh atau ahli pertanian juga tetap penting sebelum pengguna menentukan tindakan pengendalian.
AI Bantu Identifikasi, Bukan Gantikan Ahli
Salma tidak merancang sistem tersebut untuk menggantikan peran petani, penyuluh, maupun ahli pertanian.
Sebaliknya, teknologi ini berfungsi sebagai alat bantu identifikasi awal. Sistem membantu pengguna mengenali kemungkinan kondisi penyakit berdasarkan tampilan permukaan daun.
Karena itu, hasil analisis AI tidak dapat menjadi diagnosis akhir. Berbagai faktor dapat memengaruhi hasil pembacaan gambar.
Pencahayaan, sudut pengambilan foto, kualitas kamera, hingga tahap perkembangan penyakit dapat memengaruhi analisis. Kemiripan gejala antarpenyakit juga menjadi tantangan tersendiri.
Oleh sebab itu, pengguna tetap perlu memeriksa kondisi tanaman secara menyeluruh. Pemeriksaan lapangan dan konsultasi dengan tenaga ahli menjadi langkah penting sebelum menentukan tindakan lanjutan.
Hal tersebut semakin penting ketika pengguna ingin memilih pestisida atau metode pengendalian tertentu.
Bandingkan Arsitektur CNN
Dalam penelitiannya, Salma membandingkan beberapa arsitektur Convolutional Neural Network (CNN). Perbandingan tersebut bertujuan mencari model yang paling sesuai dengan data yang tersedia.
Meski begitu, kemampuan sistem di lingkungan pertanian nyata masih membutuhkan pengujian lebih lanjut.
Kondisi lahan yang beragam dapat menghasilkan gambar dengan karakteristik berbeda. Faktor tersebut membuat pengujian di lapangan menjadi bagian penting dalam pengembangan teknologi.
Dengan demikian, sistem yang bekerja pada data penelitian belum tentu memberikan hasil yang sama pada setiap kondisi tanaman.
Penambahan variasi data gambar juga dapat membantu pengembangan sistem pada tahap berikutnya.
Terapkan Ilmu Informatika untuk Pertanian
Penelitian Salma menunjukkan bagaimana kompetensi teknik informatika dapat menjawab persoalan di sektor pertanian.
Melalui deep learning, ia mencoba menghadirkan alat bantu yang dapat mempercepat proses pengenalan awal penyakit tanaman.
Pendekatan tersebut juga memiliki kaitan dengan Sustainable Development Goals (SDGs). Salah satunya adalah SDGs poin ke-2 tentang Tanpa Kelaparan.
Deteksi penyakit sejak awal berpotensi membantu pengendalian kerusakan tanaman. Pada akhirnya, langkah tersebut dapat mendukung produktivitas pertanian dan ketahanan pangan.
Selain itu, inovasi ini berkaitan dengan SDGs poin ke-9 tentang Industri, Inovasi, dan Infrastruktur.
Penggabungan teknologi deep learning dengan platform website menjadi contoh pemanfaatan teknologi digital untuk menjawab tantangan di bidang pertanian.
Masih Terbuka untuk Pengembangan
Sistem deteksi penyakit jagung yang dikembangkan Salma masih membutuhkan penyempurnaan.
Pengembangan berikutnya dapat mencakup penambahan variasi gambar serta pengujian langsung pada lebih banyak kondisi pertanian.
Langkah tersebut penting untuk meningkatkan kemampuan sistem dalam mengenali kondisi daun dengan lebih beragam.
Di samping itu, pengembangan data yang lebih luas dapat membantu menghasilkan informasi awal yang semakin relevan bagi pengguna.
Salma berharap teknologi tersebut dapat terus berkembang menjadi alat pendukung bagi petani dan pelaku pertanian.
Pada akhirnya, inovasi mahasiswa Vokasi UNAIR ini memperlihatkan peluang pemanfaatan kecerdasan buatan dalam sektor pertanian.
Teknologi tidak hanya dapat membantu pekerjaan di bidang digital. Dengan pendekatan yang tepat, AI juga dapat hadir untuk mendukung pengamatan tanaman dan membantu masyarakat memperoleh informasi awal secara lebih praktis.
