AI Hebat Ini Bisa Bedakan Daun Jagung Sakit dan Sehat Lewat Foto! Akurasi 95% di Web!
Jagosatu.com - Teknologi kecerdasan buatan kini tidak hanya dipakai di robot atau mobil pintar, tapi juga mulai membantu petani jagung mendeteksi penyakit tanaman hanya dari foto daun.
Peneliti Universitas Klabat mengembangkan sistem canggih bernama CornNet, yang mampu mengklasifikasikan penyakit daun jagung menggunakan kecerdasan buatan berbasis Transfer Learning dan Explainable AI (XAI).
Transfer Learning adalah teknik di mana model komputer belajar dari pengalaman sebelumnya untuk mengenali pola baru dengan lebih cepat dan efisien.
Sementara Explainable AI, atau XAI, membantu menjelaskan bagaimana AI membuat keputusan, sehingga hasilnya bisa dimengerti oleh manusia.
Menurut jurnal COGITO Smart Journal edisi Juni 2025, sistem CornNet dapat mendeteksi empat kondisi daun jagung, yaitu Blight, Common Rust, Grey Leaf Spot, dan daun Sehat.
Model ini dilatih menggunakan dataset dari situs Kaggle dengan total 4.188 gambar daun jagung dari berbagai kondisi.
Dalam penelitian itu, lima model deep learning populer dibandingkan, yaitu ResNet101, VGG16, DenseNet201, InceptionV3, dan EfficientNetB1.
Menurut hasil uji coba, model EfficientNetB1 menjadi yang paling akurat dengan tingkat keberhasilan mencapai 95 persen, mengalahkan model lain seperti ResNet dan VGG.
Dilansir dari hasil penelitian yang sama, model ini menggunakan optimizer bernama Adamax, dengan pengaturan batch size 32, learning rate 0.001, dan 100 epoch saat pelatihan.
Menariknya, sistem CornNet tidak hanya mengenali penyakit, tapi juga menampilkan Grad-CAM (Gradient-weighted Class Activation Mapping), yaitu visualisasi area daun yang dianggap penting oleh AI dalam mengambil keputusan.
Grad-CAM membantu petani atau pengguna memahami bagian mana dari daun yang terindikasi penyakit tanpa harus menebak-nebak.
Menurut penelitian, daerah yang berwarna kuning pada hasil Grad-CAM menunjukkan area paling berpengaruh dalam mengenali penyakit seperti karat daun (Common Rust).
Hasil visualisasi ini juga membuktikan bahwa AI tidak asal menebak, tapi benar-benar fokus pada area bercak yang relevan.
Peneliti menyebut, sistem ini nantinya bisa diterapkan dalam bentuk aplikasi web, sehingga siapa pun bisa mengunggah foto daun jagung dan langsung mengetahui hasil diagnosanya.
Dengan begitu, petani tak perlu lagi menunggu ahli datang ke ladang untuk memeriksa tanaman satu per satu.
Menurut data FAO (Food and Agriculture Organization), produksi jagung di Indonesia sempat menurun hingga 25% pada tahun 2019 akibat penyakit daun dan faktor cuaca.
Artinya, teknologi seperti CornNet bisa menjadi solusi nyata untuk membantu petani meningkatkan produktivitas jagung nasional.
Dalam uji coba lain, model seperti DenseNet201 dan ResNet101 juga menunjukkan performa baik, tapi mengalami gejala overfitting, yaitu ketika model terlalu fokus pada data latihan dan sulit menyesuaikan diri dengan data baru.
Model InceptionV3 menjadi yang paling rendah akurasinya, hanya sekitar 80%, dan sulit mengenali pola penyakit pada daun.
Sementara itu, model VGG16 bekerja cukup stabil, tetapi masih kalah akurat dibandingkan EfficientNetB1.
Peneliti berharap, versi selanjutnya dari sistem ini bisa dikembangkan agar bisa berjalan di perangkat seluler, sehingga lebih mudah digunakan di lapangan.
Selain itu, penggunaan dataset yang lebih besar dan beragam diharapkan mampu meningkatkan keakuratan model secara global.
Dengan kolaborasi teknologi AI dan sektor pertanian, masa depan petani jagung di Indonesia bisa menjadi lebih cerah dan produktif. (J)