Deteksi Empat Organisme Pengganggu Utama Tanaman Padi Menggunakan Artificial Intelligence of Things (AIoT) Berbasis Citra Kamera Digital

Abstract

Infestasi hama dan infeksi patogen tanaman padi selalu menjadi masalah yang dihadapi oleh petani dari tahun ke tahun. Untuk mengatasi masalah tersebut, adanya suatu metode untuk memantau serangan hama dan penyakit tersebut yang lebih efektif dan efisien sangat diperlukan. Metode pemantauan yang selama ini dilaksanakan oleh petugas pengamat OPT masih belum memberikan hasil yang optimal. Perkembangan teknologi informasi dan digital dapat memberikan potensi alternatif dalam pemantauan hama dan penyakit yang lebih baik, salah satunya dengan artificial intelligence of things. Penelitian ini bertujuan mendapatkan metode identifikasi empat OPT utama tanaman padi yang lebih akurat melalui penggunaan machine learning. Citra serangga wereng batang cokelat dan gejala serangan penggerek batang padi, penyakit blas dan hawar daun diambil secara langsung dari lahan pertanaman padi di Kecamatan Compreng, Kabupaten Subang dengan menggunakan kamera DSLR dan handphone. Data yang digunakan sebanyak 3200 citra untuk membangun model dan 800 citra untuk pengujian model. Data citra ini diproses pengklasifikasiannya dengan model convolutional neural network (CNN) menggunakan bahasa pemrograman Python versi 3.10. Hasil penelitian menunjukkan bahwa penggunaan arsitektur CNN dapat mengklasifikasikan dengan benar keempat OPT utama dengan tingkat presisi yang sama besar dengan recall yaitu sebesar 81,88%. Hasil evaluasi model memberikan accuracy sebesar 90,94%.

Pest infestation and pathogen infection in rice have always been problems faced by farmers have been worried about from year to year. To overcome these problems, there is a need for methods to monitor infestations to be more effective and efficient. The pests monitoring methods that has been implementing by pest observer officers has not yet given optimal results. The development of information and digital technology can provide an alternative for better pest and disease monitoring, one of which is the artificial intelligence of things. This study aims to obtain a more accurate identification method for the four main pests of rice plants through the use of machine learning. The image of the brown planthopper and the symptoms of the rice stem borer, blast disease, and leaf blight were taken directly from rice fields in Compreng District, Subang Regency using a DSLR camera and mobile phone. The data used are 3200 images to build the model and 800 images to test the model. This image data is classified using a convolutional neural network (CNN) model using the Python programming language version 3.10. The results of this study indicate that the use of CNN architecture can correctly classify the four major pests with the same level of precision as recall, which is 81,88%. The results of the model evaluation give an accuracy of 90,94%.