PERANCANGAN SISTEM DETEKSI DAN SPK GANODERMA SAWIT BERBASIS CITRA TERMAL MENGGUNAKAN HYBRID CNN-TRANSFORMER

Perkebunan kelapa sawit merupakan sektor esensial bagi perekonomian global, namun keberlangsungannya sangat terancam oleh penyakit Busuk Pangkal Batang (BPB) akibat jamur Ganoderma boninense. Infeksi patogen ini diproyeksikan mampu menimbulkan kerugian ekonomi hingga melampaui USD 250 juta per tahun serta menekan produksi hingga 50-80% pada area terdampak. Keterlambatan mitigasi umumnya terjadi akibat fase awal penyakit yang bersifat asimtomatik (tanpa gejala visual). Oleh karena itu, penelitian ini bertujuan mengembangkan sistem deteksi dini non-destruktif yang terintegrasi dengan Sistem Pendukung Keputusan (SPK) agronomi. Pendekatan yang diusulkan bertumpu pada ekstraksi anomali suhu batang kelapa sawit dari citra termal menggunakan pemodelan arsitektur Hybrid Convolutional Neural Network (CNN) dan Vision Transformer (ViT). Untuk menanggulangi ketidakseimbangan distribusi data kelas penyakit di lapangan, metode penyeimbangan Random OverSampling (ROS) diimplementasikan pada fase pra-pemrosesan. Hasil pengujian membuktikan bahwa model Hybrid CNN-Transformer mampu mengklasifikasikan 5 tingkatan keparahan (SEHAT, Scoring 1, Scoring 2, Scoring 3, dan Scoring 4) dengan tingkat akurasi global sebesar 72.66%. Luaran prediksi kecerdasan buatan tersebut diintegrasikan sebagai input bagi algoritma Sistem Pendukung Keputusan (SPK) berbasis Fuzzy Mamdani guna merumuskan otomasi rekomendasi taktis , pembuatan parit isolasi, aplikasi biofungisida Trichoderma sp., hingga instruksi eradikasi fisik. Sebagai kesimpulan, inovasi komputasional ini menetapkan tonggak sejarah (milestone) penting dalam transisi pengawasan patologi tanaman; mengubah paradigma deteksi visual konvensional menjadi diagnosis termal presisi yang memungkinkan intervensi pencegahan dieksekusi jauh sebelum patogen menghasilkan kerusakan permanen.