PenaTerkini.co.id, Jakarta – 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, (01/07/2026).
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.






