Universitas Dian Nuswantoro melaksanakan penelitian untuk meningkatkan klasifikasi penyakit daun padi melalui optimasi parameter Convolutional Neural Network. Kegiatan ini membahas pertanian presisi dalam kaitannya dengan tantangan global, termasuk pertumbuhan penduduk, berkurangnya lahan subur, dan perubahan iklim. Kegiatan ini juga mempertimbangkan pentingnya pengelolaan nutrisi tanaman yang akurat serta kesulitan pelaksanaannya karena populasi tanaman memiliki keragaman genetik dan kondisi lingkungan yang berubah-ubah. Peneliti yang berpartisipasi dalam kegiatan ini adalah Pramunendar, Ricardus Anggi; Alzami, Farrikh; Wahyudi, Firman; Mambang; Sari, Yuslena; Alomoush, Ashraf; dan Andono, Pulung Nurtantio.
Penelitian ini menggunakan gambar penyakit daun padi yang tersedia untuk umum sebagai dataset. CNN digunakan karena memiliki kekuatan dalam mengenali pola visual. Beberapa algoritma optimasi metaheuristik, termasuk Grasshopper Optimization Algorithm dan Salp Swarm Algorithm, diterapkan bersama metode pembanding lainnya. Algoritma tersebut digunakan untuk menyempurnakan jumlah epoch, tingkat dropout, jumlah neuron tersembunyi, laju pembelajaran, fungsi aktivasi, dan optimizer.
Hasil penelitian menunjukkan bahwa GOA mencapai akurasi tertinggi sebesar 72,88 persen dengan menggunakan delapan epoch, tingkat dropout 0,1, 512 neuron, laju pembelajaran 0,001, fungsi aktivasi ReLU, dan optimizer Adam. SSA menunjukkan kemampuan generalisasi yang kuat dengan pelatihan yang lebih cepat, sedangkan GTO memberikan keseimbangan antara akurasi dan biaya komputasi. Temuan ini menunjukkan potensi algoritma optimasi untuk meningkatkan sistem klasifikasi penyakit tanaman. Sumber menyebutkan strategi optimasi hibrida dan dataset yang lebih besar sebagai arah untuk meningkatkan robustness serta penerapan praktis di lingkungan lapangan. Kegiatan ini menyediakan bukti penelitian yang berkaitan dengan tujuan pertanian dan iklim yang diidentifikasi dalam pengajuan ini.