Prediksi Kebutuhan Air Pertanian dengan AI, Dosen ITPLN Raih Gelar Doktor dari IPB

BOGOR — Dosen Institut Teknologi PLN (ITPLN), Abdul Haris berhasil meraih gelar doktor di Institut Pertanian Bogor (IPB). Melalui riset inovatif yang digagasnya, Abdul Haris mengupayakan peningkatan efisiensi pengelolaan air pertanian dengan teknologi Artificial intelligence (AI).

Melalui disertasi berjudul “Model Hybrid Deep Learning untuk Estimasi Nilai Referensi Evapotranspirasi (ETo) pada Sistem Irigasi Cerdas”, Haris berhasil memadukan kecerdasan buatan dengan sistem irigasi berkelanjutan.

Evapotranspirasi atau ETo merupakan parameter penting dalam menentukan kebutuhan air tanaman di lahan pertanian. Nilai ini menunjukkan jumlah air yang hilang ke atmosfer melalui proses penguapan dan transpirasi.

“Estimasi ETo yang akurat sangat krusial untuk menentukan kapan dan seberapa banyak air harus diberikan agar tidak terjadi pemborosan atau kekurangan,” ujar Abdul Haris di Bogor, Selasa, 28 Oktober 2025.

Menurutnya, meningkatnya kebutuhan air dan dampak perubahan iklim global menuntut adanya sistem irigasi yang lebih adaptif dan cerdas. Di sinilah teknologi deep learning memainkan peran penting. Haris mengembangkan model Hybrid Convolutional Long Short-Term Memory (H-ConvLSTM), yang menggabungkan kekuatan dua pendekatan kecerdasan buatan: CNN dan LSTM.

CNN (Convolutional Neural Network) berfungsi mengekstraksi pola spasial dari data cuaca seperti suhu, kelembapan, dan radiasi matahari, sementara LSTM (Long Short-Term Memory) menganalisis data temporal atau sekuensial.

“Kombinasi keduanya memungkinkan sistem memahami dinamika iklim yang kompleks, sehingga hasil estimasi ETo menjadi lebih akurat,” jelasnya.

Kebaruan utama dari penelitian ini terletak pada penerapan Decision Tree Pooling (DT-Pooling), menggantikan metode pooling konvensional. Pendekatan ini menggunakan mekanisme berbasis information gain dan entropy untuk mempertahankan fitur-fitur penting dalam data.

“Dengan DT-Pooling, model dapat menangkap lebih banyak informasi relevan tanpa kehilangan detail signifikan,” kata Haris.

Hasil uji coba menunjukkan performa model H-ConvLSTM dengan DT-Pooling jauh lebih unggul dibandingkan model CNN atau LSTM standar. Model ini mencatat nilai error terendah sebesar 0,1187 dan koefisien determinasi (R²) mencapai 0,8942. Angka ini menandakan peningkatan akurasi prediksi ETo secara signifikan.

Temuan tersebut membuka peluang baru dalam penerapan sistem irigasi cerdas di wilayah tropis seperti Indonesia. Dengan estimasi kebutuhan air yang lebih presisi, petani dapat mengatur irigasi secara efisien, menghemat sumber daya air, dan meningkatkan produktivitas lahan.

“Penelitian ini menjadi langkah awal menuju pertanian presisi berbasis kecerdasan buatan. Harapannya, teknologi ini bisa diterapkan secara luas untuk mendukung ketahanan pangan nasional,” tutur Abdul Haris menutup pernyataannya.

Wakil Rektor I ITPLN, Prof. Syamsir Abduh, menyampaikan apresiasi dan kebanggaannya atas pencapaian tersebut. “Kami sangat bangga atas keberhasilan Dr. Abdul Haris yang berhasil menyelesaikan studi doktoralnya di IPB. Inovasinya dalam bidang kecerdasan buatan untuk pertanian cerdas sejalan dengan visi ITPLN dalam memperkuat kapasitas akademik dan penelitian berkelanjutan,” ujar Syamsir.

Ia menambahkan, prestasi itu diharapkan dapat menjadi inspirasi bagi dosen-dosen ITPLN lainnya untuk terus berkontribusi dalam pengembangan ilmu pengetahuan dan teknologi di Indonesia. Keberhasilan Abdul Haris dalam program doktoralnya menambah deretan prestasi akademik sivitas ITPLN. Ia tercatat sebagai doktor ke-61 di lingkungan kampus transisi energi tersebut.

“Saat ini, setidaknya terdapat 59 dosen ITPLN yang masih menempuh pendidikan S3 di berbagai perguruan tinggi besar, terdiri atas 40 dosen yang melanjutkan studi di dalam negeri dan 19 dosen di luar negeri. Kami akan terus meningkatkan kualitas SDM di lingkungan ITPLN, baik dosen maupun sivitas akademika lainnya,” tandasnya.***