Promovendus Anton dengan NIM P41.2019.00016 telah berhasil mempertahankan disertasinya pada Sidang Tertutup yang digelar pada Hari Kamis, 12 Februari 2026, Pukul 10.00 WIB bertempat di Ruang Sidang G.2. Disertasi Anton berjudul “Pengembangan Arsitektur Deep Learning Berbasis Transfer Learning dan Attention Mechanisms untuk Klasifikasi Penyakit Daun Tanaman”.
Penyakit daun tanaman merupakan salah satu faktor utama yang menurunkan produktivitas dan kualitas hasil pertanian. Deteksi dini penyakit daun tanaman secara akurat dan efisien menjadi kebutuhan penting dalam mendukung pertanian presisi dan ketahanan pangan. Perkembangan deep learning, khususnya Convolutional Neural Network (CNN), telah mendorong pemanfaatan analisis citra untuk klasifikasi penyakit tanaman. Namun, hasil kajian literatur menunjukkan bahwa penelitian yang ada masih bersifat terfragmentasi, baik dari sisi pendekatan metodologis, efisiensi komputasi, generalisasi lintas tanaman, maupun interpretabilitas model. Disertasi ini bertujuan mengembangkan framework klasifikasi penyakit daun tanaman berbasis deep learning yang akurat, efisien, dapat dijelaskan, dan siap diimplementasikan. Penelitian dilakukan melalui pendekatan bertahap dan evolutif. Tahap awal dimulai dengan pendekatan eksploratif menggunakan kombinasi fitur tekstur Gray Level Co-occurrence Matrix (GLCM) dan color moment yang dikombinasikan dengan CNN sebagai baseline.
Tahap selanjutnya dilakukan analisis komparatif arsitektur CNN berbasis transfer learning, yaitu DenseNet121, MobileNetV2, dan Xception, untuk mengidentifikasi arsitektur yang paling efektif dalam klasifikasi penyakit daun tomat. Hasil eksperimen menunjukkan bahwa arsitektur Xception memberikan kinerja terbaik dengan akurasi mencapai 98,79%. Berdasarkan hasil tersebut, disertasi ini mengusulkan framework hybrid berbasis transfer learning yang mengombinasikan DenseNet121 sebagai heavyweight backbone dan MobileNetV2 sebagai lightweight backbone guna menyeimbangkan akurasi dan efisiensi komputasi. Framework ini diperkuat dengan integrasi mekanisme dual attention, yaitu Convolutional Block Attention Module (CBAM) dan Efficient Channel Attention (ECA), untuk meningkatkan kemampuan diskriminasi fitur. Evaluasi dilakukan pada skenario multi-crop yang mencakup daun tomat, singkong, dan gandum, serta diuji pada lingkungan edge deployment.
Hasil menunjukkan bahwa model hybrid yang diusulkan mampu mencapai akurasi hingga 99,6% pada daun tomat, mempertahankan kinerja yang stabil pada tanaman lain, dan memiliki latensi inferensi di bawah 60 ms. Selain itu, interpretabilitas model dianalisis menggunakan Grad-CAM++, yang menunjukkan bahwa model memfokuskan perhatian pada area daun yang relevan secara visual. Secara keseluruhan, disertasi ini menghasilkan framework deteksi penyakit daun tanaman yang akurat, efisien, interpretable, dan siap diterapkan, serta memberikan landasan metodologis bagi pengembangan sistem pertanian presisi berbasis kecerdasan buatan.
Promovendus Anton dibimbing oleh Tim Promotor yaitu Prof. Dr. Supriadi Rustad, M.Si. (Promotor), Prof. Dr. Guruh Fajar Shidik, S.Kom, M.Cs (Co-Promotor) dan Dr. Abdul Syukur, M.M (Co-Promotor). Sedangkan Tim Penyanggah terdiri dari: Prof. Dr. Muljono, S.Si., M.Kom (Ketua Sidang), Prof. Dr. Ir. Mochamad Wahyudi, M.Kom, MM, M.Pd, IPU, ASEAN Eng (Penguji Eksternal / Universitas BSI Jakarta), Sri Winarno, Ph.D. (Anggota), Dr. Fikri Budiman, M.Kom (Anggota), dan Dr. Farrikh Alzami, M.Kom (Anggota).
