By Mediasembilan.com 
Muhamad Usman Fauzi (kanan) bersama Suhandi, petani pisang berpengalaman 30 tahun, di lahan Perkebunan Suhandi, Kembangan Selatan, Jakarta Barat.
Jakarta Barat – Keterbatasan akses terhadap narasumber ahli di bidang pertanian kerap menjadi kendala bagi petani dalam mengidentifikasi penyakit tanaman secara cepat dan tepat. Menjawab kebutuhan tersebut, mahasiswa Program Studi Teknik Informatika Universitas Pamulang, Muhamad Usman Fauzi, mengembangkan dan mengimplementasikan sistem diagnosis penyakit daun pisang berbasis website dengan menerapkan metode Certainty Factor, bekerja sama dengan Perkebunan Suhandi di Kembangan Selatan, Jakarta Barat.
Nama dosen pembimbing: Jupron, S.Kom., M.Kom.
Sistem tersebut dikembangkan sebagai bagian dari penyelesaian studi skripsi dengan tujuan membantu petani melakukan identifikasi awal penyakit daun pisang secara mandiri. Wawancara penggalian pengetahuan bersama Suhandi, petani pisang dengan pengalaman lebih dari 30 tahun, dilaksanakan pada 10 Mei 2026 di lahan perkebunan miliknya.
Atasi Keterbatasan Akses Ahli di Lapangan
Sebelum sistem dikembangkan, petani menghadapi sejumlah tantangan dalam mendiagnosis penyakit daun pisang. Gejala visual yang mirip antara satu penyakit dengan penyakit lainnya, seperti Black Sigatoka, Yellow Sigatoka, Fusarium Wilt, dan Bacterial Wilt, membuat identifikasi mandiri di lapangan rawan keliru.
Kondisi tersebut sering berujung pada penanganan yang kurang tepat sasaran, yang pada akhirnya dapat berdampak pada produktivitas hasil panen. Melalui sistem baru, petani dapat mengunggah citra daun pisang dan memperoleh hasil diagnosis beserta tingkat keyakinannya secara langsung melalui website.
Integrasikan Certainty Factor dan Deteksi Otomatis Berbasis CNN
Salah satu inovasi utama dalam sistem ini adalah integrasi metode Certainty Factor (CF) dengan model Convolutional Neural Network (CNN) berbasis EfficientNetB0. Metode CF digunakan untuk merepresentasikan ketidakpastian pengetahuan ahli melalui nilai Measure of Belief (MB) dan Measure of Disbelief (MD), yang diperoleh dari hasil wawancara bersama Suhandi.
Sementara itu, model CNN bertugas mendeteksi gejala secara otomatis dari citra daun yang diunggah pengguna. Hasil deteksi tersebut kemudian diintegrasikan ke dalam perhitungan Certainty Factor untuk menghasilkan diagnosis akhir. Sistem dibangun menggunakan PHP Laravel, Python Flask, dan MySQL.
Akurasi Deteksi dan Validasi Ahli
Hasil pengujian menunjukkan model CNN yang dikembangkan mencapai akurasi 95,14% pada data validasi. Selain itu, validasi yang dilakukan bersama Suhandi selaku narasumber ahli menghasilkan skor rata-rata 4,3 dari skala 5, yang menunjukkan hasil diagnosis sistem selaras dengan penilaian ahli di lapangan.
Hasil tersebut menunjukkan bahwa kombinasi metode Certainty Factor dan CNN mampu menghasilkan diagnosis yang cukup akurat sekaligus tetap mempertimbangkan ketidakpastian pengetahuan yang lazim dijumpai dalam praktik diagnosis di lapangan.
Dorong Pemanfaatan Teknologi di Sektor Pertanian
Pengembangan sistem ini menunjukkan bagaimana teknologi kecerdasan buatan dapat dimanfaatkan untuk menjawab persoalan nyata di sektor pertanian, khususnya dalam mendukung petani yang memiliki keterbatasan akses terhadap narasumber ahli. Ke depan, sistem ini berpotensi dikembangkan lebih lanjut agar dapat digunakan oleh petani pisang di wilayah lain dengan kondisi penyakit yang serupa.
Implementasi sistem ini sekaligus menunjukkan kontribusi mahasiswa Universitas Pamulang dalam menerapkan teknologi informasi untuk menyelesaikan permasalahan nyata di masyarakat, termasuk di sektor pertanian.