Surabaya, 15 Juli 2025 – Daun pohon Alstonia scholaris atau yang dikenal sebagai pohon pulai memainkan peran penting dalam menjaga ekosistem tropis, terutama dalam konservasi tanah dan penyerapan karbon. Namun, pohon ini sangat rentan terhadap serangan hama berupa galls atau benjolan tidak normal yang tumbuh akibat infeksi, yang mengganggu pertumbuhan dan fotosintesis tanaman. Dalam upaya mendukung konservasi pohon ini, tim peneliti mengembangkan metode deteksi berbasis deep learning untuk membedakan daun sehat dan daun yang terkena galls dengan akurasi tinggi.
Penelitian berjudul “Deep Learning-Based Galls and Healthy Leaf Recognition Using Depthwise Separable CNN Architecture” ini mengusulkan penggunaan arsitektur CNN (Convolutional Neural Networks) dengan konvolusi terpisah (Depthwise Separable Convolution) yang dikenal lebih ringan secara komputasi namun tetap akurat. Dengan memanfaatkan 11.800 citra daun pulai yang telah diproses melalui teknik augmentasi dan penyaringan gambar seperti blur, grayscale, edge enhancement, hingga sharpen, model CNN berhasil mencapai akurasi klasifikasi hingga 99,3%. Model ini tidak hanya ringan secara komputasi, tetapi juga efektif dalam mengenali gejala awal penyakit daun dengan presisi tinggi. Ini sangat potensial diterapkan di sektor pertanian maupun kehutanan,” ujar Dr. Imam Yuadi dari Fakultas Ilmu Sosial dan Ilmu Politik, Universitas Airlangga.
Dalam era pertanian presisi, peningkatan akurasi diagnosis penyakit tanaman berbasis analisis citra digital menjadi kunci utama dalam mendukung konservasi dan produktivitas spesies tanaman tertentu, seperti Alstonia scholaris (pulai). Salah satu pendekatan krusial adalah penerapan teknik image preprocessing yang terbukti meningkatkan kualitas segmentasi, ekstraksi fitur, dan eliminasi latar belakang sehingga mengurangi gangguan visual yang dapat menghambat klasifikasi citra secara otomatis. Studi terbaru menunjukkan bahwa metode seperti normalisasi piksel, median filtering, dan low-pass filtering tidak hanya meningkatkan akurasi model tradisional seperti SVM, tetapi juga memperkuat performa model deep learning. Terobosan penting yang ditawarkan oleh penelitian ini adalah pemanfaatan teknik CNN dengan DSC yang masih jarang dieksplorasi namun potensial dalam mendeteksi daun terinfeksi gall. Dengan dataset seimbang berisi 2.226 citra resolusi tinggi dan dukungan augmentasi berbasis ImageDataGenerator, pendekatan ini menandai arah baru dalam pengembangan sistem diagnosis penyakit tanaman yang lebih adaptif dan akurat, khususnya bagi komoditas dengan nilai ekologis tinggi seperti pulai.
Citra-citra daun diperoleh dengan menggunakan kamera smartphone beresolusi tinggi, lalu diolah dengan berbagai filter digital untuk menonjolkan fitur visual penting. Hasil evaluasi menunjukkan bahwa filter sharpen menghasilkan performa klasifikasi terbaik dengan kombinasi nilai precision, recall, dan F1-score tertinggi, bahkan lebih unggul dari filter lainnya seperti grayscale maupun contour yang justru menurunkan akurasi. Penelitian ini juga menyoroti pentingnya teknik pra-pemrosesan gambar (image preprocessing) dalam meningkatkan performa model klasifikasi berbasis CNN. Di masa depan, pendekatan ini bisa dikembangkan lebih lanjut dengan teknik transfer learning atau pemanfaatan citra multispektral untuk meningkatkan adaptabilitas terhadap berbagai kondisi lapangan.
Artikel ini merupakan hasil kolaborasi internasional dalam kerangka SATU Joint Research Scheme (JRS) Airlangga Research Fund 2022 dengan judul “Vision Intelligence in Life Sciences”.
Penulis: Imam Yuadi, S.Sos., M.MT., Ph.D.
Untuk lebih lengkapnya, artikel ini bisa dibaca dan diakses di:
