Lewati ke konten
SDGs Center UDINUS

Catatan bukti · UDINUS · SDGs

AJISAI: Augmented Joint Information Self Supervision dengan Input yang Selaras

Rektorat UDINUS 2025 Terbit 2026-10-30

Catatan bukti · UDINUS · SDGs

Unit
Rektorat UDINUS
Periode
2025
Tujuan
Nomor
6c588663-6d2a-4417-bd72-6a283e3f1354
Terbit
2026-10-30

Universitas Dian Nuswantoro (UDINUS), dengan partisipasi Dewanto, Bayu; Luthfiarta, Ardytha; Nugraha, Adhitya; Firdausillah, Fahri; Fitri, Maulatus Shaffira; dan Marendratama, Radhitya, melaksanakan penelitian mengenai deteksi penyakit tanaman menggunakan citra daun. Kegiatan ini membahas keterbatasan ketersediaan data berlabel yang menjadi tantangan penting dalam pelatihan model deep learning untuk pertanian presisi. Penelitian tersebut mengusulkan AJISAI, yaitu kerangka pembelajaran swa-supervisi dengan dua encoder yang dirancang untuk mempelajari fitur bermakna dari citra daun tanaman yang tidak berlabel.

AJISAI memproses crop global dan lokal dari citra yang sama melalui encoder terpisah, yaitu ResNet50 dan ResNet18. Setiap encoder diikuti oleh projection head yang independen, sementara embedding yang dihasilkan diselaraskan menggunakan satu loss InfoNCE. Setelah dilatih, encoder dibekukan dan dievaluasi dalam pengaturan klasifikasi 5-way 5-shot menggunakan regresi logistik. Penelitian ini membandingkan AJISAI dengan SimCLR dan AMDIM menggunakan dataset MangoLeafBD.

Hasil yang dilaporkan menunjukkan bahwa AJISAI mengungguli kedua baseline, dengan akurasi 82,67% dan skor F1 sebesar 0,7687. Kerangka tersebut juga mencapai waktu pelatihan paling singkat, yaitu 24,5 menit, meskipun memiliki ukuran model yang lebih besar. Temuan ini menunjukkan kemampuan AJISAI dalam mempelajari fitur yang kaya secara semantik dan terperinci serta mencapai kinerja yang kuat dalam kondisi supervisi terbatas. Penelitian menyatakan bahwa penggabungan pembelajaran representasi multiskala dengan pengklasifikasi few-shot yang ringan menawarkan solusi praktis dan terukur untuk klasifikasi penyakit tanaman dalam konteks pertanian dengan keterbatasan data.

Melalui kegiatan yang terdokumentasi ini, UDINUS menyajikan pendekatan berbasis penelitian untuk klasifikasi penyakit tanaman menggunakan citra daun yang tidak berlabel, pembelajaran representasi multiskala, dan evaluasi few-shot. Kegiatan tersebut berkaitan dengan tujuan yang dinyatakan melalui fokus penelitian pertanian dan pengujian metode klasifikasi ketika data berlabel terbatas. Bukti kelembagaan terdiri atas kerangka yang diusulkan, metode pemrosesan yang dijelaskan, perbandingan tolok ukur, dan temuan evaluasi yang dilaporkan.

Rujukan https://www.scopus.com/pages/publications/105031600079?origin=resultslist