Editorial Pertanian & Lingkungan
Open AccessOA2024
Meningkatkan produksi tanaman dengan kerangka agro-deep learning dalam pertanian presisi
Agro Deep Learning Framework (ADLF) memproses data kelembapan tanah, suhu, dan kelembapan udara untuk meningkatkan pengambilan keputusan dalam pertanian presisi, dengan akurasi 85,41%, presisi 84,87%, recall 84,24%, dan -score 88,91%.
J. Logeshwaran; Durgesh Srivastava; K. Kumar; M. Rex; Amal Al-Rasheed; Masresha Getahun; Ben Othman Soufieneยท BMC Bioinformaticsยท 2024ยท DOI 10.1186/s12859-024-05970-9
Masalah inti
Pertanian presisi bertujuan mengoptimalkan praktik bertani dengan memantau dan menyesuaikan faktor-faktor yang memengaruhi pertumbuhan tanaman. Integrasi kecerdasan artifisial (AI), khususnya deep learning, dapat meningkatkan upaya tersebut secara signifikan. Penelitian ini memperkenalkan Agro Deep Learning Framework (ADLF) untuk menjawab persoalan kritis dalam budidaya tanaman dengan memproses dataset besar yang memuat variabel seperti kelembapan tanah, suhu, dan kelembapan udara. Tujuannya adalah memperbaiki pengambilan keputusan, mendeteksi masalah tanaman lebih awal, dan meningkatkan produktivitas pertanian.
Inovasi
ADLF memanfaatkan model deep learning untuk menganalisis dataset pertanian yang kompleks. Kerangka ini memproses data kelembapan tanah, suhu, dan kelembapan udara untuk memprediksi perilaku tanaman dan mengidentifikasi potensi masalah. Meskipun arsitektur model spesifik tidak dirinci dalam abstrak, rancangan kerangka ini berfokus pada penanganan dataset yang sangat besar dan ekstraksi wawasan yang dapat ditindaklanjuti untuk pertanian presisi.
Pendahuluan
Pertanian presisi bertujuan mengoptimalkan praktik bertani dengan memantau dan menyesuaikan faktor-faktor yang memengaruhi pertumbuhan tanaman. Integrasi kecerdasan artifisial (AI), khususnya deep learning, dapat meningkatkan upaya tersebut secara signifikan. Penelitian ini memperkenalkan Agro Deep Learning Framework (ADLF) untuk menjawab persoalan kritis dalam budidaya tanaman dengan memproses dataset besar yang memuat variabel seperti kelembapan tanah, suhu, dan kelembapan udara. Tujuannya adalah memperbaiki pengambilan keputusan, mendeteksi masalah tanaman lebih awal, dan meningkatkan produktivitas pertanian.
Mengapa penting
Hasil penelitian menunjukkan bahwa ADLF dapat meningkatkan pertanian presisi secara signifikan dengan memberikan wawasan berharga bagi pengelolaan tanaman. Deteksi dini masalah memungkinkan petani mengoptimalkan penggunaan sumber daya dan meningkatkan hasil panen, sehingga mengurangi kerugian pertanian. Studi ini menyoroti potensi pertanian berbasis AI untuk merevolusi praktik bertani agar lebih efisien dan berkelanjutan. Penelitian selanjutnya perlu memfokuskan pada penyempurnaan model dan penelusuran penerapannya pada berbagai tanaman dan lingkungan pertanian.
Siapa yang sebaiknya membaca
Pembaca Research Digest dan praktisi rumpun ini.
Membuka konten memberโฆ