AI Deteksi Penyakit Ubi Kayu Raih Best Paper ICITRI 2026

NusamandiriNews, Depok – Kecerdasan buatan tidak selalu membutuhkan tumpukan data untuk bisa bekerja dengan baik. Hal itu ditunjukkan melalui riset berjudul “Multimodal Few-Shot Cassava Leaf Disease Classification Using Minimal Text Descriptions and L-BFGS Optimization” yang berhasil meraih penghargaan Best Paper dalam International Conference on Information Technology Research and Innovation (ICITRI) 2026 yang digelar Universitas Nusa Mandiri (UNM) sebagai Kampus Digital Bisnis.

Penghargaan tersebut diumumkan pada puncak penutupan hari kedua ICITRI 2026 yang berlangsung secara hybrid di UNM kampus Margonda, Jl Margonda Raya No 545, No 545, Pondok Cina, Beji, Depok dan melalui platform Zoom, Jumat (11/9). Penelitian ini menarik perhatian karena menawarkan pendekatan AI untuk mendeteksi penyakit daun ubi kayu dengan jumlah data latih yang sangat terbatas, sebuah persoalan yang menjadi tantangan dalam penerapan teknologi AI di sektor pertanian.

AI Deteksi Penyakit Ubi Kayu

Riset tersebut dikembangkan oleh tim peneliti lintas institusi yang terdiri dari Irwan Saputra, Kahlil Muchtar, Hizir Sofyan, Taufik Fuadi Abidin, dan Irvanizam dari Universitas Syiah Kuala, Nidya Chitraningrum dari BRIN dan Universitas Riau, serta Hertha Bastiawan dari Universitas Mercu Buana.

Penelitian ini berangkat dari persoalan budidaya ubi kayu (Manihot esculenta) yang menjadi salah satu komoditas pangan penting di wilayah tropis. Tanaman tersebut rentan terhadap sejumlah penyakit serius, termasuk Cassava Mosaic Disease (CMD) dan Cassava Bacterial Blight (CBB), yang dalam kondisi tertentu dapat menyebabkan penurunan hasil panen hingga 30–100 persen.

Salah satu persoalan yang dihadapi dalam penerapan deep learning untuk pertanian adalah kebutuhan terhadap dataset berlabel dalam jumlah besar. Bagi petani kecil dan wilayah dengan sumber daya terbatas, mengumpulkan serta memberi label ribuan citra tanaman tentu bukan pekerjaan sederhana.

Di sinilah penelitian tersebut menawarkan pendekatan berbeda. Tim peneliti mengembangkan kerangka kerja Multimodal Few-Shot Learning (FSL), yaitu metode yang memungkinkan model AI melakukan klasifikasi dengan jumlah contoh data latih yang jauh lebih sedikit dibandingkan pendekatan pembelajaran mesin konvensional.

Kerangka tersebut mengintegrasikan model CLIP ViT-L/14@336px dengan ekstraksi fitur EfficientNet-B0 serta optimisasi orde kedua menggunakan L-BFGS. Kombinasi tersebut dirancang untuk membantu model memahami informasi visual sekaligus memanfaatkan deskripsi teks yang diberikan untuk masing-masing kategori penyakit.

Hasilnya cukup signifikan. Berdasarkan pengujian menggunakan dataset citra lapangan dari Kaggle, pendekatan yang dikembangkan mampu mencapai akurasi 95,00 persen hanya dengan menggunakan 8 hingga 16 sampel data latih per kelas pada skenario 8-shot.

Yang membuat penelitian ini semakin menarik adalah perbandingannya dengan metode baseline multimodal fully supervised ITIMCA. Metode pembanding tersebut membutuhkan jumlah data yang jauh lebih besar, sementara pendekatan yang dikembangkan dalam penelitian ini mampu menghasilkan performa tinggi dengan data yang jauh lebih terbatas.

Penelitian juga menemukan bahwa deskripsi teks yang sangat singkat, yakni sekitar 5–7 kata untuk setiap kelas, sudah cukup optimal ketika dipadukan dengan optimisasi parametrik L-BFGS. Temuan ini menunjukkan bahwa penerapan AI untuk pertanian presisi tidak selalu harus dimulai dari pembangunan dataset berukuran sangat besar.

Pendekatan few-shot learning tersebut berpotensi menurunkan salah satu hambatan utama adopsi AI di sektor pertanian, terutama pada lingkungan yang memiliki keterbatasan data. Dengan kebutuhan sampel yang lebih sedikit, pengembangan sistem deteksi penyakit tanaman dapat menjadi lebih memungkinkan untuk diterapkan pada komoditas dan wilayah yang belum memiliki dataset besar.

Penghargaan Best Paper ICITRI 2026 pun menjadi penanda bahwa riset AI tidak hanya berbicara tentang model yang semakin kompleks. Lebih dari itu, tantangan pentingnya adalah bagaimana teknologi dapat dibuat lebih efisien dan mampu menjawab persoalan nyata dengan sumber daya yang tersedia.

Temuan tersebut sejalan dengan semangat ICITRI 2026 yang mengangkat tema “Next Generation AI for Human Centered Innovation and Sustainable Futures”. Melalui riset seperti ini, kecerdasan buatan ditempatkan bukan sekadar sebagai teknologi untuk mengejar performa, tetapi sebagai alat untuk membantu menghadapi persoalan pangan dan keberlanjutan di dunia nyata.