LPPM UNIVERSITAS NUSA MANDIRI Lembaga Penelitian dan Pengabdian Masyarakat Universitas Nusa Mandiri
Tim peneliti Universitas Nusa Mandiri (UNM) menunjukkan perkembangan dalam pelaksanaan Hibah Penelitian DPPM Kemdiktisaintek Tahun Pelaksanaan 2026 melalui penelitian berjudul “Pengembangan Metode Interpolasi Citra Presisi Tinggi dan Loss Function Adaptif untuk Stabilisasi Model Deteksi Hama Tanaman Kentang Berbasis Deep Learning.” Capaian tersebut disampaikan dalam kegiatan Monitoring dan Evaluasi (Monev) Internal Laporan Kemajuan Hibah Penelitian DPPM Kemdiktisaintek Tahun Pelaksanaan 2026 yang diselenggarakan oleh Lembaga Penelitian dan Pengabdian kepada Masyarakat (LPPM) Universitas Nusa Mandiri.
Penelitian melalui skema Penelitian Disertasi Doktor (PDD) ini diketuai oleh Prof. Dr. Ir. Dwiza Riana, S.Si, M.M., M.Kom., IPU, ASEAN.Eng, dengan anggota Dr. Eng, Muhammad Haris, M.Eng dan Sri Hadianti, M.Kom sebagai mahasiswa bimbingan. Penelitian berfokus pada pengembangan teknologi deep learning untuk meningkatkan stabilitas dan akurasi deteksi hama tanaman kentang, khususnya dalam menghadapi citra beresolusi rendah, objek hama berukuran kecil, serta kondisi visual yang kompleks.
Dalam pelaksanaannya, tim telah mengembangkan Geometry-Aware Local Reconstruction Field (GA-LeRF) sebagai metode interpolasi adaptif yang mempertimbangkan karakteristik geometri lokal pada citra. Metode tersebut kemudian dievaluasi untuk melihat kualitas rekonstruksi citra, kemampuan mempertahankan fitur, serta dampaknya terhadap pengenalan hama. Hasil pengujian menunjukkan bahwa metode yang dikembangkan mampu mempertahankan kualitas dan representasi fitur citra pada berbagai faktor skala, termasuk ×2, ×4, dan ×8.
Penelitian juga telah melakukan pengujian terhadap kemampuan metode dalam mendukung pengenalan hama. Pada pengujian skala ×8, misalnya, Geometry-Aware LeRF mencapai akurasi klasifikasi 80%, lebih tinggi dibandingkan citra low-resolution asli yang memperoleh 57,14%. Hasil ini menunjukkan adanya peningkatan kemampuan pengenalan setelah proses rekonstruksi citra, meskipun penelitian masih terus dikembangkan.
Dari sisi luaran, tim telah menyelesaikan draft artikel ilmiah berjudul “Adaptive Geometry-Aware Interpolation for Stable Deep Feature Representations in Pest Identification under Variable Image Quality” yang ditargetkan untuk jurnal internasional bereputasi Computers and Electronics in Agriculture. Artikel tersebut direncanakan untuk disubmit pada awal September 2026.
Tahap selanjutnya akan diarahkan pada penyelesaian pengembangan loss function adaptif untuk menangani permasalahan ketidakseimbangan data dan mengintegrasikannya ke dalam pipeline model deteksi. Pengembangan tersebut merupakan bagian dari roadmap penelitian yang direncanakan berlanjut hingga 2027–2028. Melalui penelitian ini, tim peneliti UNM terus mengembangkan pendekatan kecerdasan buatan untuk mendukung teknologi pertanian presisi, khususnya dalam meningkatkan kemampuan sistem deteksi hama tanaman kentang pada kondisi citra yang beragam.
