Saat ini semakin banyak contoh artificial intelligence yang dikembangkan untuk tujuan yang lebih spesifik. Salah satunya adalah pengendalian hama.
Contoh artificial intelligence ini dikembangkan secara kolaboratif antara Universidad Veracruzana, Meksiko dan Secretary of Agriculture of Mexico (Programa Operativo de Moscas, DGSV-SENASICA) untuk mengatasi hama lalat buah.
Baca juga: Apa Itu Teknologi Artificial Intelligence?
Contoh artificial intelligence ini dikembangkan secara khusus karena dampak yang ditimbulkan oleh hama ini memang luar biasa.
Lalat buah Mediterania (Ceratitis capitata) dan lalat buah Meksiko (Anastrepha ludens) adalah dua dari berbagai jenis hama yang paling merusak di dunia. Kerugian akibat serangan lalat buah ini diperkirakan bisa mencapai miliaran dolar Amerika.
Sebenarnya sudah ada teknik terintegrasi untuk mengendalikan populasi kedua jenis lalat buah ini di beberapa kawasan di dunia. Teknik nya dikenal dengan nama sterile insect technique (SIT).
SIT pada dasarnya adalah teknik pengendalian kelahiran (birth control). Jutaan lalat dipelihara di "pabrik" khusus. Kemudian lalat disinar dengan sinar X atau sinar gamma untuk membuatnya steril. Selanjutmya, lalat dilepaskan di daerah yang terdapat hama.
Ketika lalat jantan yang steril/mandul ini kawin dengan lalat betina liar, telur dari lalat betina itu tidak akan subur untuk diletakkan di dalam buah. Dengan cara ini, tingkat populasi lalat dapat dikendalikan, bahkan dikurangi.
Baca juga: Cegah Bias, DeepMind Umumkan Contoh Artificial Intelligence Ini
SIT ditargetkan hanya pada spesies hama, tidak memasukkan materi genetik asing ke dalam populasi lalat, dan mengurangi penggunaan insektisida. Oleh karena itu SIT dipandang memiliki green credential yang baik.
Kunci sukses dari SIT terletak pada proses radiasi. Untuk lalat tephritid, penyinaran biasanya dilakukan beberapa hari sebelum pupa berubah menjadi lalat dewasa. Ketika pupa diiradiasi terlalu cepat atau terlambat dalam proses perkembangannya, lalat dewasanya akan mengalami masalah pada mobilitas dan perilaku.
Dalam kondisi terkontrol pun, waktu perkembangan pupa dapat bervariasi. Oleh karena itu, salah satu tes yang perlu dilakukan pasca penyinaran adalah menentukan umur fisiologis dari pupa.
Baca juga: Contoh Artificial Intelligence Ini Bikin Bisnis Gula-gula Makin Manis
Saat ini, di “pabik” lalat yang ada di seluruh dunia, para teknisi harus menentukan waktu radiasi dengan tepat dengan cara mengambil sampel pupa. Para teknisi akan melepas wadah kepompong, lalu memeriksa warna mata pupa dengan membandingkannya dengan icolor chart (bagan warna).
Ini pekerjaan yang relatif melelahkan bagi para teknisi. Kesalahan pun rentan terjadi di proses ini karena sangat bergantung pada keterampilan, pengalaman, dan keahlian teknisi. Dalam melakukan pekerjaannya, para teknisi pun berpotensi terpengaruh oleh bias ketika menginterpretasikan warna.
Teknisi pun berpotensi mengalami kelelahan akibat pekerjaan yang berulang ini. Belum lagi ketika para teknisi sakit atau mengalami masalah pada penglihatannya. Akibatnya terjadi berbagai variasi dalam penentuan warna mata yang tepat.
Di sinilah artificial intelligence berperan. Di Universidad Veracruzana, bersama Secretary of Agriculture of Mexico (Programa Operativo de Moscas, DGSV-SENASICA), para ahli bekerja sama mengembangkan metode berbasis artificial intelligence yang dapat secara akurat menentukan umur pupa berdasarkan gambar digital yang ditangkap oleh perangkat mobile biasa.
Kandidat Ph.D. di Facultad de Ciencias Agrícolas, Universidad Veracruzana, Iván González-López memotret mata pupa, baik dari jenis lalat Mediterania maupun lalat Meksiko. Para peneliti sengaja memilih pupa yang masih beberapa hari lagi bermetamorfosis sebagai lalat dewasa. Foto juga sengaja diambil dalam kondisi cahaya yang tidak sempurna atau fokus. Para peneliti memotret menggunakan ponsel biasa
Selanjutnya, kandidat master riset di Laboratorio Nacional de Informática Avanzada di Xalapa Veracruz, Georgina Carrasco, memroses gambar dengan program yang khusus dilatih untuk mendeteksi bagian mata pada foto dan melakukan cropping.
Kemudian para peneliti juga melatih algoritme menggunakan data-data jawaban yang benar dari para teknisi di pabrik. Algoritme ini dilatih melalui metode transfer learning, sebuah metode supervised machine learning. Latihan ini dilakukan agar algoritme dapat secara akurat menentukan umur pupa.
Baca juga: Contoh Artificial Intelligence untuk Percepat Pertolongan Pertama
Hasil penelitian yang dipublikasikan sebagai artikel di Journal of Economic Entomology ini memperlihatkan bahwa algoritme berbasis aristektur neural network yang dikenal dengan nama Inception v1 dapat secara tepat mengidentifikasi umur fisiologis kematangan pupa dua hari sebelum muncul lalat dewasa. Tingkat akurasi untuk lalat Meksiko mencapai 75%. Sedangkan tingkat akurasi artificial intelligence dalam menentukan umur fisiologis lalat Mediterania mencapai 83,16%.
Para ahli mengakui bahwa metode ini belum sempurna, bahkan masih membutuhkan teknisi untuk melakukan diseksi pada pupa dan memotret pupa. Namun para ahli juga menyebutnya sebagai "perkiraan yang menjanjikan" tentang cara penerapan supervised machine learning dan artificial intelligence dalam mengambil keputusan kapan penyinaran terhadap pupa harus dilakukan.
Tingkat akurasi dapat ditingkatkan dengan menambah jumlah foto yang akan dipelajari oleh algoritme.
Menurut para ahli, seperti dikutip dari makan web Entomology Today, langkah berikutnya adalah mengembangkan software yang dapat digunakan oleh para teknisi dengan mudah, dan software untuk melatih algoritme dengan data hama spesies tephritid lainnya yang saat ini dikendalikan menggunakan SIT.