[21 Mei 2025], Padi merupakan salah satu komoditas pangan terpenting di dunia, terutama bagi negara-negara Asia yang sangat bergantung pada beras sebagai makanan pokok. Namun, perubahan iklim global dengan peningkatan suhu, kekeringan, serta pola curah hujan yang tidak menentu menimbulkan ancaman serius terhadap stabilitas produksi padi. Untuk menghadapi tantangan ini, diperlukan metode pemuliaan yang lebih cepat dan akurat dalam memilih varietas padi unggul yang mampu beradaptasi dengan kondisi lingkungan yang semakin kompleks. Salah satu indikator penting dalam menentukan potensi hasil padi adalah jumlah malai per meter persegi (PNpM2), yang dapat digunakan untuk mengklasifikasikan kinerja hasil suatu varietas. Selama ini, penghitungan malai umumnya dilakukan secara manual, yang memerlukan tenaga besar, waktu lama, dan rentan terhadap kesalahan. Dengan perkembangan kecerdasan buatan (AI), citra drone, dan cloud computing, kini hadir pendekatan baru yang mampu mengotomatisasi proses phenotyping padi dalam skala besar. Artikel ini membahas inovasi Panicle-Cloud, sebuah platform berbasis AI dan komputasi awan yang dikembangkan untuk mendeteksi dan menghitung malai padi dari citra udara, sekaligus mengklasifikasikan potensi hasil produksi.

Data dikumpulkan melalui citra udara menggunakan drone DJI M300 yang dilengkapi kamera resolusi tinggi. Penerbangan dilakukan pada tiga ketinggian berbeda, yakni 7 m, 12 m, dan 20 m, serta pada empat fase pertumbuhan utama: heading, flowering, pengisian biji awal, dan pengisian biji tengah. Dari citra tersebut dihasilkan dataset terbuka bernama Diverse Rice Panicle Detection (DRPD) yang memuat lebih dari 259 ribu malai padi beranotasi. Dataset ini digunakan untuk melatih berbagai model deep learning, termasuk YOLOv5, VFNet, FCOS, GFLv2, RetinaNet, dan model khusus yang dikembangkan bernama Panicle-AI. Validasi dilakukan dengan membandingkan hasil deteksi AI dengan penghitungan manual oleh teknisi dan pemulia, menggunakan metrik evaluasi seperti R², RMSE, precision, recall, dan mAP. Selain itu, platform Panicle-Cloud dirancang berbasis Django dengan arsitektur browser–server sehingga dapat diakses peneliti maupun non-ekspert melalui antarmuka web.

Hasil penelitian menunjukkan bahwa ketinggian terbang 7 m dengan resolusi 0,08–0,09 cm/piksel merupakan kondisi terbaik untuk mendeteksi malai padi secara akurat. Model Panicle-AI yang dikembangkan terbukti unggul dibandingkan 13 model deteksi objek lainnya, dengan nilai mAP@0.5 mencapai 0,967, lebih tinggi 1,3% hingga 9,2% dibandingkan model-model sebelumnya. Analisis korelasi antara hasil AI dan penghitungan manual menunjukkan nilai R² sebesar 0,945 pada citra 7 m, yang mengindikasikan tingkat akurasi sangat tinggi. Uji pada empat tahap pertumbuhan menunjukkan bahwa fase berbunga dan pengisian biji awal adalah waktu paling tepat untuk phenotyping malai. Platform Panicle-Cloud kemudian diaplikasikan dalam klasifikasi hasil produksi menggunakan kombinasi PNpM2, spikelet number per panicle (SNpP), dan thousand grain weight (TGW). Dengan dukungan algoritma machine learning CatBoost, akurasi klasifikasi hasil mencapai lebih dari 84%, membedakan varietas ke dalam kelompok hasil rendah, sedang, dan tinggi. Temuan ini menegaskan bahwa integrasi drone, AI, dan komputasi awan mampu mempercepat proses seleksi varietas padi unggul sekaligus meningkatkan efisiensi penelitian pemuliaan tanaman. 

Panicle-Cloud menawarkan terobosan penting dalam phenotyping padi dengan memanfaatkan kecerdasan buatan dan citra drone yang diolah melalui platform berbasis cloud. Melalui pendekatan ini, penghitungan malai padi yang sebelumnya memakan waktu dan tenaga dapat dilakukan dengan cepat, akurat, dan dalam skala besar. Inovasi ini membuka peluang besar bagi pemulia tanaman dan peneliti untuk mempercepat seleksi varietas unggul, meningkatkan produktivitas padi, serta memperkuat ketahanan pangan di era perubahan iklim. Integrasi teknologi AI dan cloud computing dalam bidang pertanian presisi menjadi langkah strategis menuju pertanian yang lebih berkelanjutan dan adaptif di masa depan. 

Referensi

• Teng, Z., Chen, J., Wang, J., Wu, S., Chen, R., Lin, Y., Shen, L., Jackson, R., Zhou, J., & Yang, C. (2023). Panicle-Cloud: An Open and AI-Powered Cloud Computing Platform for Quantifying Rice Panicles from Drone-Collected Imagery to Enable the Classification of Yield Production in Rice. Plant Phenomics, 5, 105. https://doi.org/10.34133/plantphenomics.0105