Bagaimana AI dan Data Adaptif Meningkatkan Akurasi Deteksi Penyakit Daun Sirih Hingga 98% di Bangladesh

Dhaka, Bangladesh, Sumber:

Daun sirih merupakan pilar penting bagi pengobatan tradisional dan mata pencaharian pedesaan di Asia Selatan dan Tenggara. Namun, tanaman vital ini menghadapi ancaman terus-menerus dari penyakit yang sering kambuh seperti busuk daun dan bercak daun. Patogen ini menyebabkan kerugian hasil panen dan kerusakan ekonomi yang signifikan, terutama bagi petani kecil di Bangladesh. Meskipun pembelajaran mendalam menawarkan jalan menjanjikan untuk deteksi penyakit otomatis, penerapannya sering terhambat oleh keterbatasan data pelatihan dan masalah ketidakseimbangan kelas.

Metode inspeksi manual tradisional masih memakan banyak tenaga dan bersifat subjektif. Ketergantungan pada pengamatan manusia sering kali menyebabkan diagnosis yang terlambat dan aplikasi pestisida yang tidak konsisten. Upaya sebelumnya menggunakan pembelajaran mendalam mengalami kesulitan dengan dataset berukuran kecil. Banyak model awal mengandalkan teknik augmentasi tetap yang gagal beradaptasi dengan kinerja model selama proses pelatihan. Pendekatan baru ini merumuskan pemilihan kebijakan augmentasi sebagai masalah bandit multi-lengan. Pengontrol UCB secara dinamis memilih antara berbagai magnitudo RandAugment dan aktivasi Mixup berdasarkan kinerja validasi. Strategi ini menyeimbangkan eksplorasi dan eksploitasi untuk mengidentifikasi strategi transformasi data paling efektif.

Studi ini menggunakan protokol evaluasi ketat di mana hanya gambar asli digunakan untuk partisi dataset. Metode ini mencegah kebocoran data yang dapat secara artifisial meningkatkan metrik kinerja. Backbone ConvNeXt-Tiny dipilih karena efisiensi dan akurasinya. Model ini diuji dibandingkan dengan model lain termasuk ResNet, DenseNet, dan EfficientNet. Hasil menunjukkan bahwa ConvNeXt-Tiny dengan augmentasi terpandu UCB 12 lengan mencapai akurasi luar biasa sebesar 98,04%. Skor macro-F1 mencapai 97,87%. Kinerja ini jauh lebih baik daripada metode augmentasi tetap dan backbone lainnya.

Penelitian juga menunjukkan ketahanan terhadap peningkatan ketidakseimbangan kelas. Model mempertahankan kinerja tinggi bahkan ketika sampel kelas minoritas dikurangi. Dengan mengintegrasikan teknik AI yang dapat dijelaskan seperti Grad-CAM, model memberikan bukti visual bahwa ia fokus pada fitur daun yang relevan alih-alih artefak latar belakang. Kerangka kerja ini meningkatkan akurasi diagnostik sambil menawarkan solusi yang skalabel dan efisien untuk lingkungan pertanian yang terbatas sumber dayanya. Ini membuka jalan bagi praktik pertanian yang lebih cerdas dan tahan lama melalui kecerdasan buatan tingkat lanjut.