Inovasi BRIN: Perangkat Portabel untuk Identifikasi Penyakit Tanaman Teh

0
304
Identifikasi penyakit tanaman otomatis menggunakan machine learning menjadi salah satu bidang riset yang dikembangkan Badan Riset dan Inovasi Nasional (BRIN)/ (Foto: BRIN)

(Vibizmedia – Jakarta) Badan Riset dan Inovasi (BRIN) saat ini sedang mengembangkan inovasi teknologi baru yakni perangkat portable yang bisa mengidentifikasi penyakit tanaman teh dengan berbasis machine leraning.

Dikutip dari www.brin.go.id, Kamis (16/5/2024), pembudidayaan teh rentan terhadap serangan penyakit yang disebabkan oleh virus, bakteri, jamur, dan cuaca. Identifikasi penyakit tanaman sedini mungkin menjadi salah satu langkah krusial untuk penanganan penyakit tanaman. Identifikasi penyakit tanaman otomatis menggunakan machine learning menjadi salah satu bidang riset yang dikembangkan Badan Riset dan Inovasi Nasional (BRIN).

Hal itu yang dilakukan oleh Peneliti Ahli Madya PRKAKS BRIN, Ana Heryana, dengan melakukan penelitian penerapan metode machine learning untuk deteksi tanaman teh secara portabel.

Dikutip dari Humas BRIN Ana menyatakan, saat ini, untuk mengidentifikasi penyakit pada teh umumnya dilakukan secara manual dengan mengandalkan para ahli. Pada umumnya, petani teh tidak memiliki pengetahuan cukup untuk melakukan identifikasi secara tepat dan cepat.

Ana mengatakan bahwa penelitian tersebut akan menghasilkan perangkat portabel dilengkapi software yang berfungsi sebagai admin perangkat berbasis web. Pihaknya juga akan mengembangkan sistem identifikasi penyakit tanaman teh yang robust terhadap variasi data, sekaligus cukup kecil untuk ditanamkan pada sistem offline.

Ia menambahkan, berbagai usaha telah dilakukan untuk memperkecil ukuran model deep learning yang akan digunakan. Pada penelitian ini, kami berencana menerapkan deepwise separable convolution untuk lebih mengecilkan ukuran model.

Pengembangan sistem offline berbasis single board computer (SBC) akan dibangun dengan menanamkan model ringkas dan robust terhadap variasi data. Diharapkan dengan penelitian ini, sebuah prototipe sistem deteksi penyakit tanaman teh offline dapat dihasilkan.

Ia juga menjelaskan, tahapan penelitian itu tediri dari pengembangan database, pengembangan metode pengelolaan citra, pengembangan deep learning ringkas agar output small-footprint dengan menggunakan deepwise separarable convolution network, dan pengembangan sistem offline.

Ana menyebutkan, terdapat beberapa hal yang menjadi masalah di lapangan, diantaranya yaitu kesulitan petani dalam mengetahui dan mengidentifikasi jenis penyakit yang menjangkit di tanaman teh secara otomatis.

Selain itu, keterbatasan infrastruktur jaringan internet yang diperlukan untuk menjalankan sistem sebelumnya yang telah dikembangkan pada perangkat smartphone, dan kemudahan dalam pengoperasian dan penanganan perangkat yang digunakan untuk mengidentifikasi penyakit tanaman teh secara otomatis.

Ana juga menyampaikan, penelitian ini perlu dilaksanakan untuk menjawab masalah yang selama ini dihadapi oleh stakeholders, baik petani dan pihak terkait perkebunan teh.

Identifikasi penyakit tanaman teh secara manual, menurutnya dapat menyebabkan keterlambatan diberikannya treatment atau tindakan untuk memberantas penyebab penyakit pada tanaman teh. Selain itu, faktor geografis dan lokasi perkebunan yang tersebar dengan kondisi lingkungan yang beragam, membatasi akses ahli dalam mengidentifikasi penyakit tanaman teh sebelum diberikan treatment yang tepat.

Institusi-institusi pemerintah juga sering mengalami kendala dalam identifikasi penyakit secara cepat karena keterbatasan infrastruktur yang diperlukan. Diperlukan juga sumber daya manusia yang besar dan mumpuni.

Kemudian ia menjelaskan, penyakit pada tanaman teh sering mengakibatkan kegagalan panen. Sehingga, hal ini menjadi ancaman serius terhadap perekonomian nasional. Kerugian akibat penyakit tanaman bisa mencapai kehilangan potensi panen.

Ana menegaskan, sebagai salah satu solusinya adalah dengan dikembangkannya teknologi deteksi penyakit secara otomatis ini dengan memanfaatkan machine learning.