JAKARTA (POSBERITAKOTA) – Dosen Fakultas Telematika Energi Institut Teknologi PLN (ITPLN), Riki Ruli Affandi Siregar, berhasil mengembangkan teknologi kecerdasan buatan (Artificial Intelligence/AI) untuk mendukung sistem vertical farming padi. Inovasi tersebut menjadi bagian dari riset doktoralnya di Program Doktor Ilmu Komputer, Sekolah Sains Data, Matematika, dan Informatika (SSMI) IPB University.
Melalui penelitian tersebut, Riki mengembangkan Multimodal Spatio-Temporal Domain Adaptation (MST-DA), sebuah arsitektur deep learning multimodal yang mampu mengenali delapan fase pertumbuhan (fenologi) tanaman padi secara otomatis pada sistem budidaya vertical farming.
Pengembangan teknologi ini menjadi jawaban atas tantangan sektor pertanian yang menghadapi dampak perubahan iklim, penyusutan lahan produktif, urbanisasi, hingga meningkatnya kebutuhan pangan nasional. AI yang dikembangkan diharapkan mampu mendorong lahirnya sistem pertanian yang lebih produktif, adaptif, dan berkelanjutan.
Riset yang diselesaikan dengab bimbingan Prof. Dr. Ir. Kudang Boro Seminar, M.Sc., Dr. Ir. Sri Wahjuni, M.T., dan Prof. Dr. Edi Santosa, S.P., M.Si itu, mengintegrasikan teknologi computer vision, Internet of Things (IoT), serta pendekatan domain adaptation dalam satu sistem pembelajaran cerdas yang mampu beradaptasi dengan karakteristik lingkungan budidaya yang berbeda.
Menurut dosen ITPLN, Riki Ruli Affandi Siregar, sebagian besar model AI pertanian saat ini masih dikembangkan menggunakan data dari sawah konvensional sehingga performanya menurun ketika diterapkan pada lingkungan budidaya indoor seperti vertical farming.
“Sebagian besar model AI pertanian belajar dari data sawah konvensional. Ketika diaplikasikan pada vertical farming, performanya sering menurun karena karakteristik lingkungannya sangat berbeda. Penelitian ini bertujuan menjembatani kesenjangan tersebut melalui pendekatan Multimodal Spatio-Temporal Domain Adaptation,” ujar Riki dalam keterangannya, Rabu, 1 Juli 2026.
Ia menjelaskan, arsitektur MST-DA menggabungkan sejumlah teknologi mutakhir, yakni CNN-LSTM untuk mempelajari informasi visual tanaman dan data sensor lingkungan secara bersamaan, Cross-Modal Attention untuk memilih informasi sensor yang paling relevan, Gradient Reversal Layer (GRL) guna menghasilkan representasi fitur yang adaptif lintas lingkungan, serta Maximum Mean Discrepancy (MMD) untuk menyelaraskan distribusi data antara sawah konvensional dan vertical farming.
Hasil pengujian menunjukkan model tersebut mampu meningkatkan kemampuan klasifikasi delapan fase pertumbuhan padi dengan tingkat akurasi mencapai 91,48 persen, F1-Score sebesar 83,74 persen, dan Mean Intersection over Union (IoU) sebesar 73,77 persen.
Selain meningkatkan akurasi, model AI tersebut juga mampu mengurangi perbedaan karakteristik data antara lingkungan sawah dan vertical farming sehingga tetap mempertahankan performa ketika digunakan pada lingkungan baru tanpa memerlukan pelabelan ulang data dalam jumlah besar.
Berbeda dari sistem berbasis citra konvensional, MST-DA tidak hanya menganalisis gambar tanaman, tetapi juga mengolah data lingkungan yang diperoleh melalui sensor IoT, seperti suhu udara, kelembapan relatif, intensitas cahaya, pH air, hingga kelembapan media tanam. Integrasi berbagai sumber data tersebut memungkinkan AI memahami hubungan antara kondisi fisiologis tanaman dan perubahan lingkungan secara lebih presisi.
Riki menilai penerapan AI pada sistem vertical farming membuka peluang produksi padi sepanjang tahun tanpa bergantung pada musim. Teknologi tersebut juga berpotensi meningkatkan efisiensi penggunaan air dan energi, mengurangi risiko gagal panen akibat perubahan iklim, serta mengoptimalkan produktivitas pada lahan terbatas.
Selain itu, penelitian ini membuka peluang pengembangan functional rice atau beras dengan karakteristik nutrisi tertentu melalui pengendalian lingkungan tumbuh secara presisi. Dengan dukungan AI dan sistem monitoring berbasis IoT, produksi beras rendah indeks glikemik, beras kaya antioksidan, hingga beras premium untuk kebutuhan kesehatan dinilai semakin memungkinkan.
Secara akademik, penelitian tersebut turut memperkaya pengembangan metode AI adaptif melalui framework MST-DA untuk klasifikasi fase fenologi padi, integrasi pembelajaran multimodal berbasis citra dan sensor, serta penerapan metode adaptasi lintas domain pada sistem pertanian cerdas.
Tak hanya di sektor pertanian, Riki mengatakan konsep multimodal learning dan domain adaptation yang dikembangkannya juga berpotensi diterapkan pada sektor ketenagalistrikan dan energi baru terbarukan, mulai dari prediksi pembangkitan energi surya dan angin, pemantauan kesehatan aset kelistrikan berbasis sensor IoT, pengembangan smart grid, hingga sistem predictive maintenance pembangkit listrik.
“Konsep adaptasi lintas domain yang kami kembangkan bersifat general-purpose. Arsitektur MST-DA tidak hanya relevan untuk pertanian presisi, tetapi juga berpotensi diterapkan pada sistem tenaga listrik modern, smart grid, pemantauan pembangkit energi terbarukan, hingga predictive maintenance berbasis Artificial Intelligence,” kata Riki.
Ia berharap hasil penelitian tersebut dapat menjadi fondasi pengembangan sistem cerdas nasional berbasis AI yang mampu mendukung ketahanan pangan, transformasi digital sektor energi, serta pembangunan berkelanjutan di Indonesia. Setiap program inovasi ITPLN bisa diakses melalui www.itpln.ac.id.
“Melalui pengembangan AI yang adaptif, kami berharap teknologi ini tidak hanya memberikan kontribusi bagi kemajuan ilmu pengetahuan, tetapi juga menjadi solusi nyata untuk mendukung ketahanan pangan, transformasi energi, dan pembangunan berkelanjutan di Indonesia,” tutup Riki. ® RED/DAMAR NOVRIZAL /EDITOR : GOES