Kesihatan tumbuhan memainkan peranan penting dalam menjamin keselamatan makanan global. Namun, penyakit tanaman sering menjadi ancaman utama kepada produktiviti pertanian, menyebabkan kerugian hasil yang tinggi dan menjejaskan kualiti produk. Kaedah tradisional yang bergantung kepada pemeriksaan manual oleh pakar patologi tumbuhan bukan sahaja memakan masa, tetapi juga subjektif dan tidak efisien dalam skala besar.
Kemunculan Kecerdasan Buatan (AI), terutamanya melalui pendekatan pembelajaran mesin (Machine Learning, ML) dan pembelajaran mendalam (Deep Learning, DL), telah merevolusikan cara penyakit tumbuhan dikesan dan didiagnosis. Teknologi ini membolehkan sistem komputer mengenal pasti penyakit melalui imej daun atau buah secara automatik, pantas dan tepat — menjadikan pertanian lebih pintar dan lestari.
Peranan Kecerdasan Buatan dalam Pengesanan Penyakit Tumbuhan
AI berfungsi sebagai “otak digital” dalam pertanian moden. Dalam konteks pengesanan penyakit, sistem AI menggunakan imej daun, batang, atau buah yang diambil dengan kamera biasa atau kamera beresolusi tinggi, lalu menjalani proses seperti:
- Pra-pemprosesan imej – membuang hingar, menyesuaikan kontras dan memotong bahagian tidak relevan.
- Segmentasi – mengenal pasti kawasan yang menunjukkan simptom penyakit.
- Pengekstrakan ciri (feature extraction) – mengenal pasti corak warna, bentuk, atau tekstur khas pada daun yang sakit.
- Klasifikasi automatik – menggunakan algoritma pembelajaran untuk menentukan jenis penyakit berdasarkan set data latihan.
Melalui proses ini, AI dapat mengenal pasti penyakit seperti hawar daun, karat, atau bintik hitam dengan tahap ketepatan yang tinggi, sering melebihi pemerhatian manusia.
Pendekatan Pembelajaran Mesin (Machine Learning)
Pembelajaran mesin ialah asas utama dalam pembangunan sistem pengesanan penyakit. Dalam pendekatan ini, model dilatih menggunakan ciri-ciri statistik dan tekstur imej untuk mengklasifikasi penyakit berdasarkan sampel sedia ada.
Antara algoritma yang sering digunakan ialah:
- Support Vector Machine (SVM) – memisahkan kelas penyakit menggunakan sempadan linear optimum.
- K-Nearest Neighbour (KNN) – mengklasifikasi imej baru berdasarkan jarak terdekat daripada sampel latihan.
- Random Forest dan Decision Tree – menggunakan konsep keputusan berlapis untuk mengenal pasti corak penyakit.
Menurut Sharma et al. (2022), kaedah ML seperti SVM dan KNN berkesan untuk dataset kecil dan sistem yang tidak memerlukan pengiraan kompleks. Namun, ketepatannya mula menurun apabila imej mengandungi latar belakang yang kompleks atau simptom penyakit yang bertindih.
Sebagai contoh, SVM mencapai ketepatan antara 80–90% bagi penyakit daun kentang dan padi, tetapi tidak dapat menandingi prestasi model pembelajaran mendalam apabila digunakan pada dataset imej berskala besar.
Peralihan kepada Pembelajaran Mendalam (Deep Learning)
Untuk mengatasi batasan pembelajaran mesin tradisional, penyelidik mula menggunakan pembelajaran mendalam (Deep Learning, DL), terutamanya Rangkaian Neural Konvolusi (Convolutional Neural Network, CNN).
Model CNN mempunyai keupayaan luar biasa untuk mengekstrak ciri secara automatik tanpa perlu manusia menentukan parameter imej terlebih dahulu. CNN berfungsi melalui beberapa lapisan pemprosesan — convolution, pooling, dan fully connected layers — yang meniru cara otak manusia memproses visual.
Kajian Sharma et al. (2022) menunjukkan bahawa model CNN mampu mencapai ketepatan sehingga 99.58% dalam mengenal pasti penyakit daun padi dan 97.66% untuk penyakit daun kentang. Ini membuktikan bahawa DL bukan sekadar lebih tepat, malah lebih robust terhadap variasi cahaya, sudut imej dan latar belakang.
Perbandingan antara ML dan DL dalam Pengesanan Penyakit
Kedua-dua pendekatan ML dan DL mempunyai kelebihan dan kekangan masing-masing, seperti yang diringkaskan dalam jadual berikut:
| Aspek | Pembelajaran Mesin (ML) | Pembelajaran Mendalam (DL) |
|---|---|---|
| Pengekstrakan ciri | Ditetapkan secara manual oleh manusia. | Automatik oleh sistem (feature learning). |
| Ketepatan klasifikasi | 80–90% bergantung pada dataset. | 95–99% pada dataset besar dan pelbagai. |
| Keperluan data latihan | Relatif kecil (ratusan imej). | Sangat besar (beribu imej). |
| Masa pemprosesan | Cepat untuk model ringan. | Perlahan semasa latihan awal tetapi cepat selepas dilatih. |
| Kebolehsuaian | Kurang fleksibel terhadap imej baharu. | Sangat adaptif, mampu belajar semula dengan mudah. |
Kajian El Ibrahimi & El Akchioui (2023) menegaskan bahawa walaupun DL memerlukan sumber pengkomputeran lebih tinggi, ia lebih stabil dalam persekitaran sebenar dan boleh diaplikasikan terus dalam sistem pertanian pintar melalui kamera mudah alih atau dron.
Sistem Penglihatan Komputer dalam Pertanian Pintar
Penyelidikan dalam persidangan AIP menekankan penggunaan penglihatan komputer (Computer Vision) sebagai pelengkap kepada pembelajaran mendalam. Sistem ini menggabungkan kamera dan algoritma AI untuk mengesan simptom penyakit secara masa nyata, contohnya perubahan warna daun atau corak bintik yang muncul akibat jangkitan kulat.
Dalam pertanian pintar, sistem ini boleh dipasang pada:
- Dron atau robot ladang, bagi memantau kawasan tanaman luas,
- Telefon pintar petani, yang menggunakan aplikasi berasaskan AI, dan
- Sensor stesen tetap (fixed cameras) di ladang untuk pemantauan automatik.
Pendekatan ini membantu petani mengenal pasti penyakit lebih awal dan bertindak pantas sebelum wabak merebak ke seluruh kawasan tanaman.
Cabaran dan Arah Masa Depan
Walaupun kemajuan AI dalam pengesanan penyakit tumbuhan sangat pesat, masih terdapat beberapa cabaran yang perlu diatasi:
- Kekurangan dataset tempatan – kebanyakan model dilatih menggunakan imej dari negara lain yang mungkin tidak mewakili simptom penyakit tanaman tropika.
- Kepelbagaian persekitaran ladang – variasi pencahayaan, sudut imej dan kehadiran tanah atau rumpai boleh mengurangkan ketepatan sistem.
- Keperluan sumber pengkomputeran tinggi – terutamanya bagi latihan CNN berskala besar.
Masa depan AI dalam pertanian dijangka bergerak ke arah model ringan (lightweight CNN) dan integrasi sistem Internet of Things (IoT) untuk pemantauan penyakit secara automatik dan berterusan.
Kesimpulan
Kecerdasan Buatan telah membawa transformasi besar dalam bidang diagnostik penyakit tumbuhan. Gabungan antara pembelajaran mesin dan pembelajaran mendalam membolehkan sistem mengenal pasti penyakit dengan ketepatan hampir sempurna, sekaligus menjimatkan masa dan kos tenaga kerja.
Jika pembelajaran mesin mewakili fasa awal kecerdasan pertanian, maka pembelajaran mendalam ialah puncak kemajuan digital dalam sains tanaman — membuka jalan kepada pertanian berasaskan data dan automasi sepenuhnya.
Dengan sokongan teknologi ini, pertanian bukan lagi sekadar bergantung pada mata manusia, tetapi pada “mata digital” yang belajar, menganalisis, dan bertindak dengan ketepatan saintifik.
Rujukan
Sharma, R., Patel, S., & Ghosh, S. (2022). Plant Disease Diagnosis and Image Classification Using Deep Learning.
El Ibrahimi, M., & El Akchioui, M. (2023). A Review on Plant Diseases Detection Using Artificial Intelligence Techniques.
AIP Conference Proceedings (2022). Vision-Based Artificial Intelligence in Smart Agriculture.
