Editorial Pertanian & Lingkungan
Open AccessOA2024
Revolusi pertanian dengan kecerdasan artifisial: metode deteksi penyakit tanaman, aplikasi, dan keterbatasannya
Tinjauan ini mengkaji metode berbasis AI dan IoT untuk deteksi penyakit tanaman pada empat komoditas sayuran utama, merinci pipeline lima langkah dari akuisisi citra hingga klasifikasi. Tinjauan ini mengevaluasi model ML dan DL, membahas dataset, serta mengidentifikasi keterbatasan dan arah penelitian mendatang.
Abbas Jafar; Nabila Bibi; R. Naqvi; Abolghasem Sadeghi-Niaraki; Daesik Jeongยท Frontiers in Plant Scienceยท 2024ยท DOI 10.3389/fpls.2024.1356260
Masalah inti
Penyakit tanaman yang disebabkan oleh virus, jamur, bakteri, dan patogen lain menjadi ancaman besar bagi produktivitas pertanian dan menimbulkan kerugian ekonomi yang signifikan. Metode deteksi tradisional memakan waktu, memerlukan pengetahuan ahli, dan intensif sumber daya. Para penulis berargumen bahwa diagnosis penyakit daun secara otomatis menggunakan kecerdasan artifisial (AI) yang dipadukan dengan sensor Internet of Things (IoT) dapat memberikan deteksi yang lebih cepat dan lebih akurat. Tinjauan ini berfokus pada empat komoditas sayuran yang penting secara ekonomi: tomat, cabai, kentang, dan mentimun. Tinjauan ini menyoroti penyakit dan infeksi paling umum pada tanaman tersebut beserta gejalanya, dan menyajikan pendekatan terstruktur untuk memprediksi penyakit tanaman menggunakan AI. Studi ini bertujuan meninjau model machine learning (ML) dan deep learning (DL) yang ada, membahas dataset, serta mengidentifikasi tantangan aplikasi dan prospek penelitian mendatang, khususnya integrasi AI dengan platform IoT seperti drone pintar untuk pemantauan berbasis lapangan.
Inovasi
Tinjauan ini menguraikan pipeline yang telah ditentukan untuk deteksi penyakit tanaman berbasis AI yang terdiri atas lima langkah utama: akuisisi citra, prapemrosesan, segmentasi, seleksi fitur, dan klasifikasi. Akuisisi citra melibatkan pengambilan gambar daun menggunakan ponsel pintar, drone, atau perangkat IoT lain. Teknik prapemrosesan seperti pengubahan ukuran, penyaringan, dan normalisasi diterapkan untuk meningkatkan kualitas citra. Segmentasi memisahkan area yang sakit dari bagian daun yang sehat. Seleksi fitur mengidentifikasi fitur visual yang relevan (misalnya warna, tekstur, bentuk) yang menandakan penyakit. Terakhir, klasifikasi menggunakan model ML atau DL untuk mengategorikan penyakit. Para penulis membahas algoritma ML tradisional (misalnya support vector machines, k-nearest neighbors, random forests) dan arsitektur DL (misalnya convolutional neural networks). Mereka juga menyusun daftar dataset yang tersedia untuk publik yang digunakan untuk mengevaluasi model-model tersebut, seperti PlantVillage, dan memberikan pemeriksaan komprehensif terhadap studi yang ada untuk keempat komoditas tersebut.
Pendahuluan
Penyakit tanaman yang disebabkan oleh virus, jamur, bakteri, dan patogen lain menjadi ancaman besar bagi produktivitas pertanian dan menimbulkan kerugian ekonomi yang signifikan. Metode deteksi tradisional memakan waktu, memerlukan pengetahuan ahli, dan intensif sumber daya. Para penulis berargumen bahwa diagnosis penyakit daun secara otomatis menggunakan kecerdasan artifisial (AI) yang dipadukan dengan sensor Internet of Things (IoT) dapat memberikan deteksi yang lebih cepat dan lebih akurat. Tinjauan ini berfokus pada empat komoditas sayuran yang penting secara ekonomi: tomat, cabai, kentang, dan mentimun. Tinjauan ini menyoroti penyakit dan infeksi paling umum pada tanaman tersebut beserta gejalanya, dan menyajikan pendekatan terstruktur untuk memprediksi penyakit tanaman menggunakan AI. Studi ini bertujuan meninjau model machine learning (ML) dan deep learning (DL) yang ada, membahas dataset, serta mengidentifikasi tantangan aplikasi dan prospek penelitian mendatang, khususnya integrasi AI dengan platform IoT seperti drone pintar untuk pemantauan berbasis lapangan.
Mengapa penting
Para penulis menganalisis secara kritis keterbatasan sistem deteksi penyakit tanaman berbasis AI saat ini. Tantangan utama meliputi kurangnya dataset besar, beragam, dan beranotasi yang merepresentasikan kondisi lapangan nyata; sulitnya menggeneralisasi model lintas komoditas, penyakit, dan kondisi lingkungan; serta tuntutan komputasi model DL yang dapat menghambat penerapan pada perangkat IoT dengan sumber daya terbatas. Selain itu, integrasi AI dengan platform IoT seperti drone pintar masih dalam tahap awal, dengan isu terkait transmisi data, konsumsi daya, dan pemrosesan waktu nyata. Tinjauan ini juga membahas pentingnya deteksi dini untuk meminimalkan kehilangan hasil dan potensi penggabungan berbagai sumber data (misalnya visual, spektral, lingkungan) untuk meningkatkan akurasi. Arah penelitian mendatang mencakup pengembangan model DL ringan untuk edge computing, pembuatan benchmark terstandar, dan pelaksanaan lebih banyak uji lapangan. Para penulis menyimpulkan bahwa meskipun AI telah merevolusi deteksi penyakit tanaman, masih banyak pekerjaan yang harus dilakukan untuk menerjemahkan keberhasilan laboratorium menjadi solusi praktis dan terukur bagi petani.
Siapa yang sebaiknya membaca
Pembaca Research Digest dan praktisi rumpun ini.
Membuka konten memberโฆ