Gedung Fakultas Pertanian Universitas Riau, Pekanbaru, Riau, Indonesia
IKATANI
Kembali ke Halaman Teknologi

Revolusi GeoAI dan Federated Learning, Masa Depan Pemantauan Sawah untuk Zero Hunger 2030

Revolusi GeoAI dan Federated Learning, Masa Depan Pemantauan Sawah untuk Zero Hunger 2030
Peneliti BRIN dan Telkom University memperkenalkan GeoAI dan Federated Learning untuk memperkuat ketahanan pangan nasional. GeoAI mengintegrasikan GIS, AI, dan penginderaan jauh untuk memantau lahan sawah secara otomatis melalui data multi-temporal. Sementara itu, Federated Learning memungkinkan deteksi penyakit tanaman secara terdesentralisasi guna mendukung pertanian presisi. Inovasi ini menjadi pilar penting untuk efisiensi produksi padi menuju target Zero Hunger 2030 di Indonesia.

Ikatani.id, TEKNOLOGI – Mencapai target Zero Hunger pada tahun 2030 (SDGs 2) memerlukan lompatan teknologi dalam pengawasan lahan pertanian. Dalam Webinar DESAIN #2 bertajuk "Penguatan Sistem Pertanian Nasional", para peneliti dari BRIN dan Telkom University memaparkan bagaimana integrasi data multidimensi dapat menjadi kunci ketahanan pangan berkelanjutan.

Peneliti Pusat Riset Sains Data dan Informasi (PRSDI) BRIN, Wawan Hendriawan, memperkenalkan Framework GeoAI. Teknologi ini merupakan penggabungan antara Geographic Information Systems (GIS), Artificial Intelligence (AI), dan Remote Sensing (penginderaan jauh).

Berbeda dengan monitoring tradisional yang memakan waktu dan tenaga, GeoAI mampu menganalisis citra satelit secara otomatis. Dengan data multi-temporal (data yang dikumpulkan berkala dari waktu ke waktu), peneliti dapat memantau dinamika lingkungan secara detail, mulai dari tingkat kesuburan tanah hingga deteksi dini ancaman kekeringan.

 

Pertanian Presisi dengan Federated Learning

Di sisi lain, Mochammad Nizar Palefi Ma’ady dari Telkom University menyoroti tantangan komputasi dalam pertanian modern. Ia menawarkan Federated Learning sebagai solusi alternatif untuk mendeteksi penyakit tanaman atau gulma melalui rekaman video drone.

Keunggulan utama Federated Learning adalah sistemnya yang terdesentralisasi. Data tetap diproses secara lokal di masing-masing lahan, sementara model pembelajarannya diperbarui secara kolektif. Hal ini menyelesaikan kendala privasi data dan kebutuhan server pusat yang masif, meskipun tetap membutuhkan investasi perangkat keras yang mumpuni.

 

Sumber: brin.go.id