sumber ilustrasi: freepik
27 Apr 2025 15.30 WIB – Umum
_________________________________________________________________________________________________________________________________________________
Desanomia [27.4.2025] Para ilmuwan dari University of Illinois Urbana-Champaign mengembangkan pendekatan baru dalam teknologi kecerdasan buatan (AI) yang dapat mempercepat pemuliaan tanaman melalui analisis citra udara. Teknologi ini memungkinkan AI untuk membedakan gambar tanaman berbunga dan tidak berbunga dengan pelatihan minimal dari manusia. Penelitian ini dilakukan pada ribuan varietas rumput Miscanthus (spesies tumbuhan berbunga dalam famili rumput Poaceae, asli Asia Timur di sebagian besar Cina, Jepang, Taiwan dan Korea), yang masing-masing memiliki karakteristik dan waktu berbunga berbeda.
Andrew Leakey, profesor biologi tanaman dan ilmu tanaman, menyebut bahwa mengidentifikasi karakteristik tanaman di berbagai kondisi dan fase pertumbuhan merupakan tantangan besar. Menurutnya, pengamatan visual langsung terhadap ribuan tanaman dalam uji lapangan sangat memakan tenaga dan waktu. Karena itu, otomatisasi melalui drone dan AI menjadi langkah penting untuk menyederhanakan proses pemuliaan tanaman.
Namun, pembangunan model AI untuk mengenali ciri-ciri halus dari gambar kompleks umumnya memerlukan ribuan data yang telah dianotasi secara manual oleh manusia. Proses ini bukan hanya menyita waktu, tetapi juga sangat kontekstual, yang berarti bahwa setiap perubahan lokasi, musim, atau jenis tanaman dapat membuat model harus dilatih ulang dari awal.
Sebastian Varela, ilmuwan di Center for Advanced Bioenergy and Bioproducts Innovation, mencoba mengatasi masalah ini dengan menciptakan pendekatan bernama Efficiently Supervised Generative and Adversarial Network (ESGAN). Metode ini menggunakan dua model AI yang saling berkompetisi – satu membuat gambar buatan dan yang lain menilai keaslian gambar – dalam proses yang memungkinkan keduanya saling memperbaiki performa. Model ini membangun kemampuan visual internal yang kuat sehingga dapat mengenali detail tanaman tanpa memerlukan terlalu banyak data contoh dari manusia.
Dalam serangkaian eksperimen, tim peneliti membandingkan akurasi ESGAN dengan metode pembelajaran mesin konvensional. Hasilnya menunjukkan bahwa ESGAN mampu menurunkan kebutuhan data anotasi manual hingga 10 hingga 100 kali lipat. Ini berarti bahwa sistem ini tidak hanya lebih efisien tetapi juga jauh lebih hemat sumber daya, terutama dalam skenario yang melibatkan ribuan varietas tanaman dan lokasi yang beragam.
Penelitian ini dipublikasikan dalam jurnal Plant Physiology dan dianggap sebagai terobosan besar dalam otomatisasi observasi sifat berbunga pada tanaman seperti Miscanthus. Ke depan, teknologi ini diperkirakan dapat diterapkan untuk memetakan sifat pertanian lainnya seperti pertumbuhan daun, penyakit tanaman, atau kandungan air tanah.
Saat ini, tim peneliti bekerja sama dengan pemulia tanaman Erik Sacks dalam proyek pengembangan Miscanthus di beberapa negara bagian Amerika Serikat. Tujuan proyek tersebut adalah menciptakan varietas Miscanthus yang cocok ditanam di lahan marginal dan bisa dimanfaatkan sebagai bahan baku bioenergi dan bioproduk bernilai tinggi. Data hasil penelitian ESGAN juga akan digunakan untuk meningkatkan akurasi seleksi genetik dalam program pemuliaan.
Selain itu, tim riset mengisyaratkan bahwa pendekatan ini dapat membuka jalan untuk pemanfaatan teknologi serupa pada sektor pertanian lainnya, termasuk pangan pokok, hortikultura, dan perkebunan. Dengan integrasi AI yang lebih efisien, sektor pertanian global akan semakin siap menghadapi tantangan produksi pangan berkelanjutan.
Proyek ini didukung oleh Departemen Energi AS, Departemen Pertanian AS, serta beberapa lembaga riset lainnya, termasuk partisipasi pendanaan dari sektor swasta seperti Tito’s Handmade Vodka.
Buah Pikiran
Pendekatan baru yang dikembangkan oleh para peneliti University of Illinois menunjukkan bahwa pemanfaatan kecerdasan buatan dalam bidang pertanian bukan lagi sekadar wacana, melainkan solusi konkret yang menjanjikan efisiensi dan akurasi tinggi. Dengan metode ESGAN, kebutuhan terhadap data manual yang selama ini menjadi hambatan utama dalam penerapan AI untuk visi komputer berhasil ditekan secara signifikan. Hal ini tidak hanya mempercepat proses pemuliaan tanaman seperti Miscanthus, tetapi juga membuka peluang besar untuk penerapan pada berbagai jenis tanaman lain yang memiliki nilai ekonomi dan ekologis penting.
Lebih dari sekadar kemajuan teknologi, inovasi ini merepresentasikan paradigma baru dalam pengelolaan pertanian modern: kolaborasi antara ilmu data dan ilmu hayati untuk menjawab tantangan produksi pangan dan energi berkelanjutan. Jika diterapkan secara luas dan terintegrasi dengan kebijakan publik serta dukungan pendanaan, pendekatan seperti ESGAN dapat mendorong pertumbuhan bioekonomi sekaligus memperkuat ketahanan pangan di tengah tekanan perubahan iklim global. Maka dari itu, adopsi teknologi ini secara strategis perlu menjadi bagian dari agenda pertanian masa depan, baik di tingkat nasional maupun internasional. (NJD)
Sumber: ScienceDaily
Link: https://www.sciencedaily.com/releases/2025/04/250424121045.htm
