Agro-Scan: Pemanfaatan Aplikasi Smart Farming Untuk Deteksi Dini Penyakit Daun Padi Berbasis AI sebagai Upaya Digitalisasi Pertanian Presisi
Abstract
Abstract: The decline in rice production yields due to leaf disease outbreaks has become a major issue for the Joint Farmers Group in Kuper Village, Merauke Regency, with harvest yields during 2022–2023 reaching only 40–50% of the previous year. The delay in identifying diseases and the lack of understanding about effective prevention methods resulted in the excessive use of pesticides and chemicals, leading to increased production costs and a decrease in rice quality. The objective of this community service program is to digitalize agriculture with a precision approach by utilizing an AI-based smart farming application to enable the early detection of rice leaf diseases. The method employed is Participatory Action Research (PAR), which includes socialization, farm management training, and technology implementation. The result of this project is the implementation of the Agro-Scan application, an AI and IoT-based smart farming tool that can detect diseases through image analysis and provide real-time control recommendations; based on farmer observations, the yields from the subsequent harvest are expected to potentially achieve three times the previous amount.
Abstrak: Permasalahan penurunan hasil produksi padi akibat serangan penyakit daun menjadi persoalan Gabungan Kelompok Tani (Gapoktan) di Kampung Kuper Kabupaten Merauke, dengan hasil panen selama tahun 2022-2023 hanya mencapai 40-50% dari tahun sebelumnya. Keterlambatan dalam mengidentifikasi penyakit dan minimnya pemahaman tentang cara pencegahan yang efektif berakibat pada penggunaan pestisida dan bahan kimia yang berlebihan, yang menyebabkan peningkatan biaya produksi dan penurunan kualitas beras. Tujuan dari program pengabdian masyarakat ini adalah untuk mendigitalisasi pertanian dengan pendekatan presisi melalui pemanfaatan aplikasi pertanian pintar berbasis AI guna mendeteksi secara dini penyakit daun padi. Metode yang digunakan yaitu Participatory Action Research (PAR), yang mencakup sosialisasi, pelatihan manajemen pertanian, serta penerapan teknologi. Hasil dari proyek ini adalah penerapan aplikasi Agro-Scan, yaitu aplikasi pertanian pintar berbasis AI dan IoT yang memungkinkan dapat mendeteksi penyakit melalui analisis gambar dan memberikan rekomendasi pengendalian secara realtime. Dari pengamatan petani, hasil yang diperoleh dari hasil panen nantinya dapat mencapai 3 kali lipat dari sebelumnya.
Keywords
Full Text:
PDFReferences
Agustin, R., Nurlailli, M., Yuanda, K. P., & Sudamto, B. A. (2025). Deteksi Penyakit Daun Padi Menggunakan MobileNetV2 : Pendekatan Deep Learning untuk Meningkatkan Ketahanan Produksi Pangan. 9, 1294–1303.
Boulent, J., Foucher, S., & Théau, J. (2019). Convolutional Neural Networks for the Automatic Identification of Plant Diseases. 10(July). https://doi.org/10.3389/fpls.2019.00941
Fakih, A. B., & Avianto, D. (2024). Identifikasi Penyakit Daun pada Tanaman Solanaceae dan Rosaceae Menggunakan Deep Learning. Jurnal Teknologi Terpadu, 10(2), 105–116.
Nggego, D. A., Hasbi, M., & Patawaran, N. (2025). Data augmentation and transfer learning efficientnetv2-s on rice leaf disease classification Data augmentation and transfer learning efficientnetv2-s on rice leaf disease classification. IOP Conf. Series: Earth and Environmental Science. https://doi.org/10.1088/1755-1315/1454/1/012001
Ottosson, S. (2003). Participation action research- A key to improved knowledge of management. 23, 87–94. https://doi.org/10.1016/S0166-4972(01)00097-9
Pranjaya, A. P., Rizki, F., Kurniawan, R., & Daulay, N. K. (2024). Klasifikasi Penyakit Pada Daun Tanaman Padi Berbasis YoloV5 ( You Only Look Once ). 5(July). https://doi.org/10.30865/klik.v4i6.1916
Rahmadani, R. P., Qomaroni, C. O., Agustin, T., Informatika, P., & Indonesia, S. (2023). Klasifikasi jenis penyakit pada daun padi berdasarkan pada warna dan tekstur menggunakan cnn. November, 448–460.
Rijal, M., Yani, A. M., & Rahman, A. (2024). Deteksi Citra Daun untuk Klasifikasi Penyakit Padi Menggunakan Pendekatan Deep Learning Dengan Model CNN. Jurnal Teknologi Terpadu, 10(1), 56–62.
Rizal, F., Sa, M. L., Umzeb, M., & Hidayat, R. (2025). Implementasi CNN dan TensorFlow Lite untuk Deteksi Penyakit Daun Padi Berbasis Android. Jurnal Kecerdasan Buatan, Komputasi Dan Teknologi Informasi, 6(2), 194–203.
Sanosi, A., Indonesia, U. K., Sheva, M., Arrizqi, Z., & Indonesia, U. K. (2025). Rancang bangun sistem peringatan dini hama dan penyakit padi berbasis pervasive dan ubiquitous computing. August. https://doi.org/10.13140/RG.2.2.22756.49281
Sheila, S., Anwar, M. K., Saputra, A. B., & Pujianto, F. R. (2023). Deteksi Penyakit Pada Daun Padi Berbasis Pengolahan Citra Menggunakan Metode Convolutional Neural Network ( CNN ). 9(1), 27–34.
Too, E. C., Yujian, L., Njuki, S., & Yingchun, L. (2018). A comparative study of fi ne-tuning deep learning models for plant disease identi fi cation. Computers and Electronics in Agriculture, February, 0–1. https://doi.org/10.1016/j.compag.2018.03.032
Trianto, T., & Ridwana, A. A. (2023). Sosialisasi Pemanfaatan Teknologi Internet of Things untuk Menjaga Sawah dari Serangan Hama Tikus. 3(2), 65–68.
Verawati, I., Al, R., & Aunurrohim, A. (2024). Klasifikasi Penyakit Daun Padi Menggunakan KNN dengan GLCM dan Canny Edge Detection. 8, 517–527. https://doi.org/10.30865/mib.v8i1.6906
Walascha, A., Febriana, A., Saputri, D., Sri, D., Haryanti, N., & Tsania, R. (2021). Review Artikel : Inventarisasi Jenis Penyakit yang Menyerang Daun Tanaman Padi ( Oryza sativa L .). 471–477.
Wati, C. (2017). Identifikasi Hama Tanaman Padi ( Oriza Sativa L ) Dengan Perangkap Cahaya Di Kampung Desay Distrik Prafi Provinsi Papua Barat Identification Of Rice Plant ( Oriza Sativa L .) With Light Trap In Desay Village Prafi District West Papua Province Identifikasi. 8(2), 81–87.
DOI: https://doi.org/10.31764/am.v5i2.36608
Refbacks
- There are currently no refbacks.
EDITORIAL OFFICE :