Siaran Pers
Jakarta, 26 Februari 2020—Tim peneliti dari Departemen Teknik Informatika, Universitas Ma Chung, Malang, Indonesia, menemukan pendekatan yang efektif dan cepat untuk mengetahui kesehatan tanaman. Pendekatan tersebut mengembangkan metode kuantifikasi nondestruktif dan real time terhadap pigmen fotosintesis tanaman dari daunnya yang utuh.
Salah satu anggota tim peneliti tersebut, Dr Tatas HP Brotosudarmo, yang juga merupakan anggota Akademi Ilmuwan Muda Indonesia (ALMI), Rabu (26/2/2020), mengungkapkan, pendekatan tersebut tertuang dalam penelitian yang berjudul “Deep Chemometrics for Nondestructive Photosynthetic Pigments Prediction Using Leaf Reflectance Spectra”. Selain Tatas, penelitian tersebut juga melibatkan tiga peneliti lain dari Universitas Ma Chung, yaitu Kestrilia Rega Priliantia, Edi Setiyono, dan Oesman Hendra Kelana. Penelitian ini telah dimuat di sejumlah jurnal sains internasional, di antaranya ScienceDirect (13 Februari 2020) dan Scimago Q2.
“Dengan pendekatan ini, identifikasi cepat kondisi kesehatan tanaman dapat dilakukan. Ini semacam precision agriculture yang mendeteksi kondisi tanaman dengan citra digital daun,” jelas Tatas.
Dalam riset tersebut, peneliti membahas mengenai dua aspek. Pertama, pendekatan baru dalam mengembangkan metode kuantifikasi nondestruktif dan waktu nyata dari pigmen fotosintesis tanaman dari daunnya yang utuh. Kedua, implementasi kemometrik dalam menggunakan model neural convolutional neural network (CNN) yang baru. Di penelitian ini, input sistem adalah spektrum daun yang terdeteksi oleh spektrometer, dan hasilnya adalah prediksi kandungan pigmen, yaitu, klorofil, karotenoid, dan anthocyanin.
Perlunya penilaian cepat dari konten pigmen fotosintesis pada tanaman telah mendorong pengembangan penelitian untuk menghasilkan metode kuantifikasi nondestruktif. Kebutuhan ini didorong oleh fakta bahwa data pada konten pigmen fotosintetik dapat memberikan berbagai informasi penting yang terkait dengan kondisi tanaman.
“Dengan menggunakan chemometrics yang mendalam, kami mengembangkan model CNN untuk memprediksi kandungan pigmen fotosintesis dengan cara yang tidak merusak dan real time. Spektrum reflektansi daun utuh dari pengukuran spektroskopi digunakan sebagai input,” terang Tatas.
Upaya prediksi semacam ini secara bersamaan dilakukan untuk tiga pigmen fotosintesis utama, yaitu, klorofil, karotenoid, dan antosianin. Hasil percobaan menunjukkan bahwa akurasi prediksi sangat memuaskan, dengan mean absolute error (MAE) = 0,0122 ± 0,0004 untuk pelatihan dan 0,0321 ± 0,0022 untuk validasi (rentang data 0 – 1).
Selain penanganan input yang lebih mudah, CNN juga menyediakan prediksi yang lebih cepat, sehingga memungkinkan analisis waktu nyata dan in situ. Metode ini sangat terkenal karena keberhasilannya dalam menangani data multidimensi. Namun, dalam penelitian ini, model 1D-CNN diterapkan untuk data spektrum, yang merupakan output pengukuran reflektansi daun dari metode spektroskopi.
“Kami menamai arsitektur kami dengan PNet, serta mengembangkan beberapa versi dan membandingkannya. Kami menemukan bahwa PNet_V3 menjadi yang terbaik di antara semuanya,” imbuh Tatas.
Selengkapnya, simak hasil penelitian tersebut di:
https://www.sciencedirect.com/science/article/pii/S221431731930160X?via%3Dihub
