Medan – Jagung merupakan salah satu bahan pangan pokok pengganti beras di Indonesia. Namun, tanaman jagung sering mengalami kerugian besar akibat serangan penyakit yang umumnya diawali dengan perubahan morfologi pada daun. Untuk mengatasi masalah tersebut, tim peneliti dari Program Studi Magister Ilmu Komputer, Fakultas Teknik dan Ilmu Komputer, Universitas Potensi Utama, berhasil mengembangkan sistem klasifikasi penyakit daun jagung berbasis kecerdasan buatan dengan tingkat akurasi yang sangat tinggi.

Penelitian yang berlangsung selama 6 bulan pada tahun 2023 ini diketuai oleh Jaya Kusuma bersama tim yang terdiri dari Rubianto, Dr. Rika Rosnelly, S.Kom., M.Kom., Dr. Hartono, S.Kom., M.Kom., serta Dr. Ir. B. Herawan Hayadi, M.Kom. Dengan anggaran penelitian sebesar Rp13.500.000 dari pendanaan internal Universitas Potensi Utama, tim berhasil membandingkan tiga algoritma klasifikasi unggulan: Support Vector Machine (SVM), K-Nearest Neighbors (KNN), dan Multilayer Perceptron (MLP) untuk mendeteksi penyakit daun jagung.

Indonesia sebagai negara agraris dengan letak geografis tropis memiliki potensi besar dalam pengembangan pertanian. Namun, deteksi dan identifikasi penyakit tanaman jagung selama ini masih sangat bergantung pada pakar pertanian, yang memakan waktu, biaya tidak murah, dan sulit dijangkau petani di daerah terpencil. Padahal, deteksi dini penyakit daun sangat krusial untuk mencegah penyebaran yang meluas dan penurunan produktivitas secara drastis.

Tim peneliti menggunakan dataset publik dari platform Kaggle sebanyak 8.200 citra daun jagung yang terbagi menjadi empat kategori:

Dataset tersebut dibagi menjadi 80% data training (6.560 citra) dan 20% data testing (1.640 citra). Sebelum diklasifikasi, seluruh citra melalui tahap preprocessing dengan penyeragaman ukuran 150×150 piksel, kemudian dilakukan ekstraksi fitur menggunakan model deep learning VGG-16—arsitektur Convolutional Neural Network (CNN) yang dikembangkan oleh Visual Geometry Group dari University of Oxford.

Setelah melalui proses klasifikasi menggunakan aplikasi Orange Data Mining, ketiga algoritma diuji pada data training dan data testing. Berikut hasil pengujian pada data training:

AlgoritmaAccuracyPrecisionRecallSVM | 92,0% | 91,9% | 92,0%
KNN | 95,6% | 95,8% | 95,6%
MLP | 97,4% | 97,4% | 97,4%

Sementara itu, pada pengujian data testing, algoritma MLP kembali menjadi yang terbaik dengan akurasi 94,5%, presisi 94,4%, dan recall 94,5%.

"Hasil penelitian ini menunjukkan bahwa algoritma Multilayer Perceptron (MLP) dengan ekstraksi fitur VGG-16 mampu mengklasifikasikan penyakit daun jagung dengan sangat akurat. Ini merupakan kabar baik bagi para petani, karena sistem ini dapat menjadi alternatif pengganti peran pakar tanaman yang sulit dijangkau," ujar Jaya Kusuma, Ketua Tim Peneliti.

Model VGG-16 dipilih karena terbukti memiliki akurasi terbaik dibandingkan arsitektur deep learning lainnya seperti Xception, MobileNet V1, dan Resnet50. VGG-16 terdiri dari 16 lapisan yang dapat dilatih (13 layer konvolusi dan 3 layer fully-connected) dengan menggunakan ukuran kernel 3×3 secara berulang. Kemampuan VGG-16 dalam mengekstraksi fitur visual seperti tekstur, tepi, bentuk, dan warna dari citra daun menjadikannya sangat cocok untuk aplikasi pengenalan objek dan deteksi penyakit tanaman.

Penelitian ini telah dipublikasikan dalam Journal of Applied Computer Science and Technology (JACOST) Vol. 4 No. 1 Tahun 2023. Ke depan, tim peneliti merekomendasikan pengembangan sistem ini menjadi aplikasi berbasis web atau mobile yang dapat langsung digunakan oleh petani di lapangan.

"Kami berharap teknologi ini dapat diimplementasikan secara luas, sehingga petani dapat mendeteksi penyakit daun jagung sejak dini secara cepat, tepat, dan murah. Ini akan membantu meningkatkan produktivitas jagung nasional dan mengurangi kerugian akibat serangan penyakit," tambah Dr. Rika Rosnelly, salah satu anggota tim peneliti.

Tim peneliti merekomendasikan agar penelitian selanjutnya mengembangkan dataset dengan menambah citra primer dari lapangan agar model lebih adaptif terhadap variasi kondisi nyata, serta mencoba arsitektur deep learning yang lebih modern seperti ResNet, EfficientNet, atau Vision Transformer. Optimasi hyperparameter secara sistematis dan pengembangan aplikasi berbasis mobile juga menjadi arah pengembangan yang sangat potensial.

Penelitian ini merupakan wujud komitmen Universitas Potensi Utama dalam mendorong riset-riset terapan di bidang teknologi informasi dan pertanian. Dengan kolaborasi lintas disiplin, universitas terus berupaya memberikan kontribusi nyata bagi peningkatan produktivitas pertanian nasional melalui pemanfaatan kecerdasan buatan.