Oleh: Dr. Ng Chang Chai

Daripada rondaan ladang dengan dron, pengenalpastian penyakit, kepada ramalan hasil dan pengairan pintar, kecerdasan buatan (AI) semakin memasuki industri durian. Artikel ini akan memberi tumpuan kepada Pembelajaran Mesin (ML) bagi memperkenalkan tiga hala tuju utama pengurusan AI di ladang durian pada masa ini: pengecaman imej, ramalan risiko dan pembuatan keputusan pintar, serta trend masa depan pertanian pintar.

Pintar dalam pertanian adalah satu proses yang berlaku secara beransur-ansur. Tidak kira tahap penggunaan semasa tinggi atau rendah, dalam pengurusan penanaman tanaman sawah (padi, jagung, gandum, dll.), teknologi pintar telah menunjukkan kelebihan yang ketara dari segi peruntukan tenaga kerja, kecekapan semburan, masa operasi dan kawalan kos.  

Daripada operasi mekanisasi awal, kepada semburan racun dengan dron, pemantauan status perlindungan tanaman, pengurusan baja dan air, sehinggalah kepada pengurusan kualiti selepas tuaian, pertanian pintar telah berkembang daripada rumah hijau tertutup ke ladang yang luas, dan secara beransur-ansur digunakan dalam pelbagai peringkat rantaian industri. 

Pengalaman dan Kecerdasan Seiring 

Pengalaman penanaman dan pengurusan pintar tidak bercanggah antara satu sama lain. Logik asas kedua-duanya adalah kawalan terhadap kestabilan sistem. Pengalaman penanaman yang terkumpul selama ini, termasuk pemerhatian terhadap kesihatan pokok, cuaca, tunas bunga, bentuk buah, kelembapan tanah, kepadatan perosak dan penyakit, sebenarnya selari dengan konsep pengurusan pintar. 

Seperti kapten pesawat yang berpengalaman digandingkan dengan sistem pesawat canggih, gabungan keduanya menjadikan penerbangan lebih stabil dan selamat. Nilai pengurusan pertanian pintar juga terletak pada membantu penanam meningkatkan keupayaan mengawal situasi kompleks dan menampung jurang buta yang mungkin terlepas oleh pemerhatian manusia. 

Dalam konteks ini, Kecerdasan Buatan (AI) adalah satu rangka kerja besar, manakala teras teknologi sebenar ialah Pembelajaran Mesin (ML), yang merangkumi pelbagai model dan ramalan risiko. Jika kita menumpukan kepada pengurusan pintar industri durian, secara asasnya kita membincangkan sistem pengurusan berasaskan AI yang dipacu oleh ML. 

Dari ladang ke pasaran, AI membantu meningkatkan ketekalan kualiti durian dan pengurusan rantaian bekalan.

 

Data sebagai Asas Kepintaran AI

Apa yang dimaksudkan dengan "Pembelajaran Mesin" bukanlah membiarkan komputer "membuat pertimbangan secara tiba-tiba", tetapi membiarkan model mempelajari corak daripada sejumlah besar data. Data ini boleh datang daripada imej dron, gambar telefon bimbit, stesen cuaca, ujian tanah, analisis daun, rekod hasil, tinjauan perosak dan penyakit, serta rekod pengairan. 

Model menganalisis data untuk mencari hubungan antara pemboleh ubah. Contohnya, struktur kanopi yang bagaimana mungkin menunjukkan kesihatan pokok yang lemah, gabungan cuaca yang bagaimana mungkin memudahkan induksi tunas bunga, atau imej daun yang bagaimana mungkin menunjukkan berlakunya penyakit. 

Secara ringkasnya, peranan AI bukanlah untuk menggantikan ahli agronomi, tetapi untuk menukar data kompleks kepada rujukan pengurusan yang lebih segera, lebih konsisten dan lebih boleh diukur. 

Tiga Model Dengan Peranan Masing-masing

Berdasarkan hasil penyelidikan pelbagai negara pada masa ini, aplikasi Pembelajaran Mesin di ladang durian secara kasarnya boleh dibahagikan kepada tiga kategori utama. 

Kategori Pertama: Model Persepsi Visual – Berperanan dalam “Mengesan Masalah” 

Ini juga merupakan kategori yang paling mudah difahami oleh pekebun dan paling hampir dengan aplikasi sebenar. Model biasa termasuk CNN, YOLO, U-Net dan Vision Transformer. 

CNN mahir dalam mengekstrak ciri daripada imej, seperti warna daun, morfologi buah, tekstur bintik penyakit dan struktur kanopi. YOLO adalah model pengesanan objek yang terkenal dengan kelajuannya, sesuai untuk mengenal pasti buah durian, kanopi, pekerja atau objek anomali dalam imej atau video. 

3 Model Utama Pembelajaran Mesin (ML)

 

U-Net pula sering digunakan untuk segmentasi imej, yang boleh mengasingkan kanopi, bintik penyakit atau kawasan sasaran daripada latar belakang. Vision Transformer menggunakan mekanisme perhatian untuk memproses perhubungan imej dalam konteks yang lebih luas. 

Di ladang durian, model sebegini boleh digunakan untuk pengesanan dan pengiraan buah, penilaian kematangan, analisis liputan kanopi, pengenalpastian penyakit dan keselamatan ladang. 

Contohnya, selepas dron merakam ladang, sistem boleh mengenal pasti bilangan buah di atas pokok untuk membantu menganggarkan status pengeluaran; selepas telefon bimbit merakam daun atau buah, model boleh membantu menilai sama ada terdapat penyakit atau perbezaan kematangan; imej pengawasan malam juga boleh digabungkan dengan model YOLO untuk mengenal pasti aktiviti mencuri buah. 

Malaysia sudah pun mempunyai penyelidikan mengenai pengairan pintar durian dan pemantauan imej, serta aplikasi menggunakan teknologi pemprosesan imej untuk memantau kesihatan dan pertumbuhan pokok. 

Kategori Kedua: Model Ramalan – Bertanggungjawab "Menilai Trend" 

Wakil biasa termasuk Random Forest, XGBoost, LSTM, GRU dan TCN. 

Random Forest dan XGBoost adalah model pokok, sesuai untuk memproses data jadual seperti tanah, daun, cuaca, pembajaan dan hasil. Ia boleh menganalisis faktor-faktor yang memberi kesan besar terhadap hasil atau status nutrien, contohnya nitrogen tanah berkesan, kalium boleh tukar, umur pokok, taburan hujan dan indeks nutrien daun. Berbanding dengan pertimbangan pengalaman tradisional, model sebegini boleh memproses pelbagai pemboleh ubah secara serentak dan mengenal pasti hubungan bukan linear. 

Pembajaan di ladang durian bukanlah "lebih banyak lebih baik", tetapi mencari faktor utama yang benar-benar mengehadkan hasil pada peringkat berbeza, keadaan tanah dan status kesihatan pokok. Pembelajaran Mesin boleh membantu membina cadangan pembajaan yang lebih tepat, mengurangkan pembaziran nutrien dan risiko pembajaan berlebihan. 

Selain itu, dalam ramalan, pembungaan durian tidak berlaku secara tiba-tiba pada satu hari, tetapi dipengaruhi oleh gabungan air, suhu, kelembapan dan status pokok dalam satu tempoh masa. 

Model seperti LSTM, GRU dan TCN boleh menganalisis data cuaca, kelembapan tanah dan pertumbuhan pokok bagi meramal induksi bunga, risiko penyakit serta tekanan iklim. 

AI boleh membantu menilai tahap kematangan buah berdasarkan ciri-ciri visual luaran.

 

Induksi tunas bunga durian biasanya berkaitan dengan tempoh yang agak kering. Oleh itu, jika model dapat menggabungkan data hujan, kelembapan tanah dan suhu udara, ia boleh membantu menilai bila sesuai untuk mengawal air, bila perlu mengelakkan pengairan berlebihan, serta risiko suhu rendah atau kelembapan tinggi yang mungkin dihadapi semasa musim bunga. 

Kategori Ketiga: Model Kawalan Keputusan – Mengoptimumkan Tindakan 

Pembelajaran Pengukuhan berbeza daripada model ramalan biasa. Ia bukan tertumpu kepada "apa yang akan berlaku", tetapi "apa yang patut dilakukan sekarang". Di ladang durian, banyak tindakan pengurusan adalah keputusan berterusan, contohnya bila hendak menghentikan air, berapa lama, bila hendak menyambung semula pengairan, bila hendak membaja, berapa jumlah baja, dan sama ada perlu menyesuaikan strategi pengurusan berdasarkan perubahan cuaca. Model Pembelajaran Pengukuhan boleh mencari strategi pengurusan yang lebih optimum melalui maklum balas berterusan. 

Walau bagaimanapun, Pembelajaran Pengukuhan masih berada di peringkat awal di ladang durian. Memandangkan durian adalah pokok buah-buahan saka, hasil sesuatu keputusan pengurusan sering mengambil masa beberapa bulan atau bahkan satu musim tanaman untuk kelihatan. Selain memerlukan sokongan data jangka panjang, model juga perlu menetapkan sempadan keselamatan untuk mengelakkan sistem daripada terlalu banyak mencuba dan tersilap yang boleh menjejaskan kesihatan pokok dan hasil. 

Oleh itu, pada masa ini, Pembelajaran Pengukuhan lebih sesuai digunakan terlebih dahulu dalam simulasi, kawalan pengairan, sistem rumah hijau atau pengurusan automatik setempat, dan akan diperluaskan secara beransur-ansur ke ladang durian pada masa hadapan. 

Perbezaan Serantau dalam AI Pertanian 

Dari perspektif pembangunan global, penyelidikan AI dalam industri durian masih belum sematang tanaman makanan ruji seperti padi, gandum dan jagung. Negara-negara seperti China, India dan Amerika Syarikat telah banyak menjalankan penyelidikan dalam AI pertanian, pemantauan nutrien tanah, teknologi penderiaan jauh dan pertanian tepat, tetapi kebanyakannya masih tergolong dalam aplikasi pertanian umum atau tanaman sawah. 

Penyelidikan AI yang benar-benar khusus untuk durian tertumpu terutamanya di negara-negara Asia Tenggara, terutamanya Malaysia, Thailand dan Vietnam. Kelebihan Malaysia terletak pada industri durian bernilai tinggi dan asas penyelidikan pertanian pintar; Thailand mempunyai skala industri, sistem eksport dan sejumlah besar data hasil; manakala Vietnam mempunyai kawasan penanaman yang berkembang pesat serta penyelidikan berkaitan pengurusan penyakit dan nutrien. 

Imej pandangan udara daripada dron telah menjadi asas penting bagi pengurusan ladang durian berasaskan data.

 

Pada masa hadapan, jika lebih banyak mekanisme perkongsian data piawai dapat diwujudkan, kadar pembangunan model AI durian akan meningkat dengan lebih cepat. 

Pelaksanaan Menyeluruh Menghadapi Had 

Walau bagaimanapun, untuk mencapai pengurusan pintar sepenuhnya di ladang durian, masih terdapat beberapa batasan. 

a) Data Tidak Mencukupi 

Model memerlukan sejumlah besar imej berkualiti tinggi, data tanah, data cuaca dan rekod hasil. 

b) Perbezaan Serantau yang Besar 

Iklim, tanah dan amalan pengurusan di Malaysia, Thailand, Vietnam dan kawasan tanah tinggi Laos adalah berbeza. Model yang dilatih di satu kawasan mungkin tidak dapat digunakan secara terus di kawasan lain. 

c) Pengesahan Lapangan Tidak Mencukupi 

Banyak model menunjukkan ketepatan yang tinggi di dalam kertas penyelidikan, tetapi setelah digunakan di ladang sebenar, ia masih terjejas oleh faktor seperti cahaya, teduhan, air hujan, ketumpatan kanopi, sudut rakaman dan perbezaan varieti. 

d) Kebolehjelasan Model Masih Penting 

Pekebun dan juruteknik bukan sahaja perlu tahu cadangan yang diberikan oleh AI, tetapi juga   memahami sebab di sebaliknya. 

Sistem pengurusan ladang durian yang ideal pada masa hadapan harus mengintegrasikan fungsi pengecaman imej, ramalan cuaca, pemantauan kelembapan tanah, diagnosis nutrien, dan kawalan pengairan serta pembajaan. 

Mekanisme perkongsian data yang lebih tersusun dan piawai dijangka mempercepat pembangunan model AI untuk industri durian.

 

Model visual bertanggungjawab untuk memahami status semasa ladang, model ramalan bertanggungjawab untuk menilai risiko masa depan, model keputusan bertanggungjawab untuk mencadangkan pelan pengurusan, manakala pekebun dan ahli agronomi bertanggungjawab membuat keputusan akhir dan melaksanakannya. 

Sesuai Diperkenalkan Secara Berperingkat 

Kembali kepada persoalan kos aplikasi yang paling menjadi perhatian. ML membincangkan teras teknologi. Apabila teknologi berkaitan semakin diterapkan, aplikasi akan memberi tumpuan terutamanya di kawasan pengeluaran utama durian seperti Malaysia, Thailand dan Vietnam, manakala kawasan pengeluaran baharu seperti tanah tinggi Laos juga berkembang pesat dengan dorongan daripada China. 

Pada peringkat ini, teknologi yang paling matang dan mempunyai nilai aplikasi praktikal termasuk rondaan ladang dengan dron, semburan perlindungan tanaman, pengecaman imej dan amaran cuaca. 

Berdasarkan anggaran kadar pertukaran dolar AS semasa, perkhidmatan perlindungan tanaman dengan dron di Malaysia adalah sekitar USD6–14 se-ekar (kira-kira RM25–RM60), dengan kes pajakan rasmi sekitar USD10 se-ekar (kira-kira RM42); di Thailand sekitar USD1.8–3.1 setiap rai; di Vietnam sekitar USD5.7–11.4 se-hektar; dan di India sekitar USD3.1–7.4 se-ekar. (Nota editor: Memandangkan negara-negara yang berbeza menggunakan unit keluasan tanah yang berbeza, data ini hanya untuk perbandingan trend kos.) 

Secara keseluruhannya, pengurusan berasaskan AI tidak memerlukan pelaburan menyeluruh sekali gus. Pekebun boleh memulakan dengan rondaan kos rendah, operasi perlindungan tanaman dan perekodan data, secara beransur-ansur mengumpul data pengurusan dan pengalaman aplikasi, kemudian secara berperingkat memperkenalkan alat pengurusan pintar yang lebih tepat, seterusnya beralih secara beransur-ansur ke arah pengurusan saintifik dan tepat.