Peneliti BRIN Libatkan Model AI Prediksi Pertumbuhan Cabai

BADAN Riset dan Inovasi Nasional (BRIN) mengembangkan pendekatan berbasis kecerdasan buatan (AI) untuk meningkatkan konsistensi pertumbuhan varietas cabai. Inovasi ini dilakukan dengan mengintegrasikan model spatio-temporal dengan neural network supaya mampu menghasilkan prediksi pertumbuhan tanaman yang lebih akurat berbasis data.

Peneliti Ahli Madya di Pusat Riset Sains Data dan Informasi BRIN, Devi Munandar, mengatakan inovasi ini hadir untuk menjawab tantangan dalam sektor pertanian cabai yang kerap mendapati masalah berupa pertumbuhan tanaman yang tak seragam, meski ditanam pada lahan yang sama. Munculnya masalah ini disebut efek dari kondisi lingkungan hingga dinamika pertumbuhan sehingga perlu evaluasi secara kompleks. 

Devi bersama tim mengembangkan kerangka kerja hybrid yang menggabungkan Spatio-Temporal Linear Mixed Model (STLMM) dengan neural network. Model spatio-temporal digunakan untuk memetakan pengaruh ruang dan waktu terhadap pertumbuhan tanaman, sedangkan jaringan saraf tiruan berfungsi menangkap pola non-linear yang belum mampu dijelaskan oleh model statistik konvensional.

“Hasil inovasi ini dapat menjadi salah satu komponen pendukung decision support system dalam evaluasi konsistensi pertumbuhan varietas cabai besar,” kata Devi melalui keterangan tertulisnya pada Jumat, 17 Juli 2026. Ia juga memaparkan inovasi ini dalam perhelatan Dialog Eksplorasi Sains Data dan Informasi (DESAIN) #6 yang digelar BRIN beberapa waktu lalu, 

Devi menyebut, inovasi ini muncul berkat kolaborasi dengan Pusat Riset Hortikultura BRIN. Penelitian dilakukan bersama peneliti Rinda Kirana dan Wiwin Suwarningsih menggunakan data terkait tinggi tanaman cabai besar dari sembilan varietas, yakni Tanjung, Branang, Ciko, Lingga, Pilar, Sari, Megatop, Inata Agrihorti, dan Carvi Agrihorti.

Varietas-varietas itu sebelumnya ditanam di Balai Penelitian Tanaman Sayuran (Balitsa) Lembang, selama September–Oktober 2023. Hasil penelitian menunjukkan bahwa model hybrid STLMM mampu menekan variasi residual dan menghasilkan tingkat akurasi prediksi yang tinggi dengan Mean Absolute Percentage Error (MAPE) di bawah 10 persen. 

Berdasarkan pengamatan selama delapan minggu, enam dari sembilan varietas menunjukkan pola pertumbuhan yang homogen. Sementara itu, varietas Pilar, Megatop, dan Sari memiliki nilai VPI di bawah ambang batas 90 persen yang mengindikasikan adanya heterogenitas pertumbuhan. Capaian atau analisa tersebut diklaim lebih baik dibandingkan penggunaan model spatio-temporal tanpa dukungan neural network.