STMIK PPKIA Pradnya Paramita
Official Web Portal
27 Sep 2026
Setelah sebelumnya mengevaluasi program pengabdian masyarakat tim Jauharul Maknunah, S.E., M.M, agenda Monitoring dan Evaluasi (Monev) Internal Tahun Anggaran 2026 STMIK PPKIA Pradnya Paramita (STIMATA) Malang berlanjut dengan pengukuran Tingkat Kesiapterapan Teknologi (TKT) atas program penelitian tim Dr. Khoerul Anwar, S.T., M.T., Jumat (4/9/2026).
Program penelitian bertajuk “Identifikasi Penyakit Daun Tanaman Pangan Berbasis Transfer Learning dan Domain Adaptation di Lingkungan Visual Beragam dan Tidak Terstruktur” ini merupakan bagian dari Skema Hibah Penelitian Fundamental Tahun 2026, yang didanai oleh Direktorat Riset, Teknologi, dan Pengabdian kepada Masyarakat (DRTPM), Kementerian Pendidikan Tinggi, Sains, dan Teknologi (Kemendiktisaintek).
Tim pengusul program ini beranggotakan Dr. Tubagus Mohammad Akhriza, S.Si., M.MSI dan Mahmud Yunus, S.Kom., M.Pd., M.T. Berdasarkan Berita Acara Nomor 021/J.09/STIMATA/BA/2026 yang ditandatangani Kepala LPPM STIMATA, Sujito, S.Kom., M.Pd., M.MSI, hasil pengukuran menunjukkan output penelitian berupa perangkat lunak LeafSense Pro berhasil mencapai Tingkat Kesiapterapan Teknologi (TKT) level 3 dari 9 level, dengan persentase komplit indikator sebesar 80 persen.
Tim peneliti LeafSense Pro memaparkan laporan kemajuan dalam sesi Monitoring dan Evaluasi Internal secara daring.
Jawab Kelemahan Model Tahun Sebelumnya
Penelitian ini merupakan kelanjutan dari riset identifikasi penyakit tanaman pada tahun 2025, yang saat itu masih menyisakan tiga kelemahan utama: model belum robust terhadap perubahan domain (domain shift), sensitif terhadap variasi kualitas dan karakteristik visual citra, serta berisiko salah klasifikasi pada data baru yang ambigu — tercermin dari recall kelas blight yang saat itu hanya 84 persen. Padahal, meski akurasi sempat mencapai 98 persen pada domain data terbatas, performa tersebut belum menjamin keandalan model saat diterapkan pada kondisi lapangan yang berbeda-beda: pencahayaan, perangkat kamera, lokasi, latar belakang, hingga kualitas citra.
Untuk menjawab tantangan tersebut, tim mengembangkan kerangka kerja baru yang menggabungkan empat metode sekaligus: CLAHE untuk menstabilkan kualitas visual citra, EfficientNetB0 sebagai ekstraktor fitur visual mendalam, Test-Time Augmentation (TTA) agar model beradaptasi terhadap perubahan distribusi data saat inferensi, serta Fuzzy Support Vector Machine (FSVM) untuk meningkatkan ketahanan klasifikasi terhadap data yang ambigu. Tujuannya adalah mengembangkan sistem pengenalan penyakit daun padi dan jagung yang akurat, robust, dan adaptif terhadap variasi kondisi lingkungan.
Diuji dengan Data Lapangan, Akurasi Capai 93 Persen
Model dilatih dan diuji menggunakan total 9.545 citra, terdiri atas 1.400 citra hasil pemotretan lapangan secara mandiri menggunakan kamera ponsel pintar, serta 8.145 citra tambahan dari repositori penelitian sebelumnya di Kaggle. Khusus data lapangan, keakuratannya telah diverifikasi oleh Diah Sunarwati, S.Si., M.Si dari Badan Perakitan dan Modernisasi Pertanian (BRMP) Malang.
Hasil pengujian menunjukkan performa yang sangat baik: model mencapai akurasi keseluruhan 93 persen, dengan weighted precision, recall, dan F1-score yang juga berada di angka 93 persen pada 906 citra uji. Model mampu mengenali enam kategori kondisi daun, yaitu blast, blight, hawar, karat, tungro, dan sehat, dengan performa yang relatif seimbang antara ketepatan prediksi dan kemampuan menemukan sampel yang benar. Prototipe LeafSense Pro sendiri telah berhasil dibangun dalam bentuk aplikasi perangkat lunak dan diujikan langsung dengan data riil di lapangan untuk tiap jenis penyakit daun padi dan jagung.
Menyongsong Sistem Deteksi Dini yang Prediktif
Dalam pelaksanaannya, tim menghadapi sejumlah kendala, mulai dari kesulitan mengumpulkan data dalam jumlah besar untuk tiap jenis penyakit, keterbatasan sumber daya komputasi, hingga risiko overfitting pada model. Kendala tersebut disiasati dengan menambah data dari sumber terbuka, memanfaatkan layanan komputasi awan seperti Google Colab, serta memperkaya data augmentation dan pre-processing, khususnya untuk kelas-kelas yang sering salah diklasifikasikan.
Ke depan, tim merencanakan pengembangan penelitian lanjutan pada 2027 yang mengarah pada transformasi dari sistem reaktif yang mendeteksi gejala tampak, menjadi sistem prediktif yang mampu mengantisipasi risiko penyakit sebelum gejala terlihat secara visual. Perubahan paradigma ini akan membutuhkan integrasi tiga sumber informasi utama, yaitu representasi visual temporal, konteks lingkungan berbasis IoT, dan adaptive multimodal fusion — menjadikannya tantangan sekaligus peluang riset strategis di bidang kecerdasan buatan dan visi komputer bagi pertanian Indonesia.