Beyond Detection: Implementasi Vision Transformer pada Mobile Platform sebagai Instrumen Penguatan Computational Thinking di Sektor Agrikultur

Abstract

Padi merupakan komoditas pangan utama yang produktivitasnya sering terancam oleh serangan penyakit daun. Identifikasi penyakit secara manual oleh petani seringkali tidak efisien dan rentan terhadap kesalahan diagnosis subjektif. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi otomatis penyakit daun padi berbasis Computer Vision menggunakan arsitektur Vision Transformer (ViT) yang diintegrasikan ke dalam aplikasi mobile berbasis Flutter. Pendekatan penelitian menggunakan desain kuasi-eksperimental dengan membandingkan tiga versi model yang dilatih melalui platform Roboflow berdasarkan variasi resolusi citra dan teknik augmentasi data. Dataset terdiri dari 11.739 citra awal yang dikembangkan menjadi lebih dari 28.000 citra melalui augmentasi. Hasil eksperimen menunjukkan karakteristik kinerja yang berbeda pada setiap versi: Versi 1 (Baseline/640px) mencapai akurasi 98,3% namun terindikasi overfitting; Versi 2 (Efisiensi Tinggi/160px) mencatat akurasi validasi tertinggi sebesar 99,4% namun mengalami penurunan detail fitur visual; sedangkan Versi 3 (Augmented-Enhanced/224px) dengan akurasi 99,1% terbukti memiliki ketahanan (robustness) terbaik terhadap gangguan visual seperti blur dan variasi pencahayaan. Berdasarkan evaluasi lapangan, Model Versi 3 dipilih untuk diimplementasikan pada aplikasi karena kemampuannya beradaptasi dengan kondisi nyata di lahan pertanian. Sistem yang dibangun mampu mengklasifikasikan sembilan jenis penyakit daun padi secara real-time, memberikan solusi diagnosis yang cepat dan akurat bagi para petani.