Bab Empat: Metode Kecerdasan Buatan dalam Konteks Pertanian

Bagian Dua — Landasan Kecerdasan Buatan dan Data

Pertanyaan bagian ini: apa yang terjadi di dalam sebuah sistem kecerdasan buatan sejak saat ia menerima data hingga jawaban atau rekomendasinya sampai kepada petani?

Ketika sebuah sistem cerdas mengusulkan waktu untuk mengairi, mengidentifikasi penyakit yang menyerang daun tanaman, atau memprediksi produksi, jawabannya mungkin tampak muncul sekaligus di layar. Namun jawaban itu adalah perhentian terakhir dari sebuah perjalanan panjang yang tidak dilihat pengguna: ia bermula dari data yang dikumpulkan dari lahan, satelit, atau catatan masa lalu, lalu melewati pengukuran, pembersihan, klasifikasi, dan analisis sebelum menjadi prediksi, rekomendasi, atau peringatan. Dalam diskusi publik, kecerdasan buatan kadang disajikan seolah-olah ia adalah satu pikiran tunggal yang mampu memahami dan mengambil keputusan dalam setiap situasi. Pada kenyataannya, ia bukan satu alat, melainkan beberapa keluarga metode dan model, yang masing-masing dirancang untuk tugas-tugas tertentu. Alat yang menganalisis citra daun tanaman tidaklah sama dengan alat yang memprediksi hasil panen; dan sistem yang mengekstraksi informasi dari ribuan dokumen tidak bekerja dengan cara yang sama seperti sistem yang menentukan kapan harus mengairi. Setiap metode memiliki kekuatan, asumsi yang menjadi sandarannya, data yang dibutuhkannya, dan potensi kesalahan yang harus dipahami sebelum hasilnya dipercaya. Bagian ini tidak dimaksudkan untuk mengubah pembaca menjadi spesialis kecerdasan buatan, tidak pula untuk membebaninya dengan rincian matematis dan pemrograman. Tujuannya lebih dalam dan lebih praktis: memberi pembaca pemahaman yang melindungi mereka dari terpukau oleh suatu hasil sebelum mengetahui bagaimana hasil itu dihasilkan, dan membantu mereka membedakan antara sistem yang dibangun di atas data yang sesuai dan bukti yang jelas dengan sistem yang menawarkan jawaban penuh percaya diri tanpa dukungan pengetahuan yang memadai. Untuk itu, kita akan mencoba menengok ke dalam sistem, dengan bahasa yang memadukan ketepatan dan kesederhanaan. Kita akan bertanya: dari data apa ia belajar? Dari mana data itu berasal, siapa yang mengumpulkannya, dan di tanah, iklim, serta musim yang mana? Apakah data itu mewakili kondisi lahan pertanian tempat sistem akan digunakan, atau lingkungan yang berbeda? Apa yang dapat dilihat model, dan apa yang tetap berada di luar pandangannya? Bagaimana ia tahu bahwa jawabannya benar? Dan bagaimana ia bisa keliru, ragu, atau menyatakan keyakinan yang melampaui apa yang diizinkan oleh bukti? Ini bukan pertanyaan teknis yang jauh dari realitas pertanian. Jika data cuaca tidak lengkap, citra satelit tertutup awan, sebuah sensor tidak terkalibrasi, atau model dilatih pada tanaman atau iklim yang berbeda, cacat itu dapat berpindah dari satu tahap ke tahap berikutnya hingga sampai kepada petani sebagai rekomendasi yang tampak presisi. Ini tidak berarti bahwa kecerdasan buatan tidak berguna; ini berarti bahwa nilai sejatinya tidak datang dari kecerdasan komputasinya semata, melainkan dari mutu seluruh rantai yang menghasilkan jawabannya. Kita memulai dengan metode-metode kecerdasan buatan dan logika pemilihan masing-masing: mengapa suatu alat sesuai untuk sebuah masalah sementara alat lain tidak? Kita kemudian beralih ke data, karena data adalah bahan yang darinya sistem belajar dan cermin yang melaluinya ia melihat dunia. Setelah itu, kita menelaah asal-usul dan mutu data, agar kita mengetahui dari mana informasi itu bermula, jalur yang ditempuhnya, dan perubahan apa yang dilakukan terhadapnya. Kita lalu sampai pada penginderaan jauh, tempat citra dari satelit dan pesawat nirawak, bersama perangkat lapangan, diubah menjadi indikator tanaman, tanah, dan air. Dari sana kita beranjak ke sistem pendukung keputusan dan pengambilan pengetahuan, untuk melihat bagaimana pengukuran, model, dan keahlian pertanian dipertemukan dalam satu jawaban yang dapat digunakan pada waktu dan tempat yang tepat. Urutan ini tidak sembarangan; ia mencerminkan jalur yang ditempuh pengetahuan di dalam sistem. Metode yang tidak sesuai dapat merusak inferensi, data yang lemah dapat meruntuhkan model terbaik sekalipun, sumber yang tidak diketahui membuat hasilnya sulit diverifikasi, dan pengukuran yang tidak akurat menghasilkan rekomendasi yang tidak akurat. Sebuah jawaban yang tidak menjelaskan dasar dan batas-batasnya dapat berubah dari alat bantu menjadi sumber risiko baru. Memahami landasan-landasan ini tidak berarti bahwa petani harus mengetahui setiap persamaan atau baris kode, sebagaimana pengemudi traktor tidak perlu menjadi insinyur mesin. Namun petani perlu mengetahui cukup banyak untuk membedakan pengoperasian yang sehat dari kerusakan, kemampuan nyata dari janji pemasaran, dan alat yang membantu pengambilan keputusan dari alat yang meminta petani menyerahkan seluruh keputusan kepadanya. Dalam bagian ini, kita tidak memandang kecerdasan buatan sebagai kotak misterius yang mengeluarkan jawaban, melainkan sebagai rantai yang saling terhubung antara data, asumsi, pengukuran, model, dan keputusan manusia. Setiap mata rantai memengaruhi mata rantai yang mengikutinya. Karena itu, pertanyaan terpenting bukan hanya: Apa yang dikatakan sistem? Melainkan juga: Bagaimana ia sampai pada apa yang dikatakannya, di atas bukti apa, dan dalam batas-batas apa ia dapat dipercaya? Pembahasan tetap konkret, tanpa mengurangi kedalaman ilmiahnya atau mengubah pendahuluan menjadi penjelasan teknis yang berat.

Bab Empat: Metode Kecerdasan Buatan dalam Konteks Pertanian

Pesan Bab

Tidak ada satu metode tunggal bernama 'kecerdasan buatan pertanian' yang cocok untuk setiap tanaman, lahan pertanian, dan keputusan. Apa yang kita sebut kecerdasan buatan adalah rentang metode yang luas: sebagian belajar dari contoh-contoh masa lalu, sebagian mencari pola yang tidak biasa, sebagian menafsirkan citra, sebagian melacak perubahan sepanjang waktu, sebagian membandingkan alternatif di bawah kendala tertentu, dan sebagian mengambil pengetahuan lalu merumuskannya menjadi sebuah jawaban. Nilai suatu metode tidak bermula dari kemasyhuran namanya atau kebaruan modelnya, melainkan dari kesesuaiannya dengan pertanyaan pertanian yang hendak kita jawab. Kesalahan sistem bisa jadi tidak lebih dari sebuah citra yang perlu diambil ulang; atau bisa jadi berupa keputusan yang tertunda sehingga melewatkan jendela perlakuan, atau operasi terotomasi yang menempatkan tanaman atau seorang pekerja dalam risiko. Karena itu pemilihan bermula dari keputusan dan konsekuensi kesalahan, dan baru setelah itu kembali kepada data dan metode—bukan sebaliknya. Bab ini tidak meminta petani menjadi pemrogram, tidak pula puas sekadar memperkenalkan nama-nama yang sudah dikenal kepada pembaca yang terinformasi. Tujuannya adalah membangun jembatan antara apa yang terjadi di dalam model dan apa yang terjadi sesudahnya di lapangan: apa yang dilihat sistem? Apa yang dipelajarinya? Apa yang dikeluarkannya? Di mana ia bisa keliru? Dan kapan hasilnya merupakan informasi pendukung, serta kapan ia berubah menjadi tindakan yang menuntut pengawasan dan tanggung jawab? Sebelum nama-nama algoritme: perjalanan pertanyaan melintasi sistem Mari kita bayangkan seorang petani yang menemukan bercak pada daun tomat, memotretnya, dan bertanya kepada sebuah aplikasi: 'Apa masalahnya?' Tugas itu tampak sederhana, tetapi sistem tidak melihat daun sebagaimana manusia melihatnya, tidak pula mengetahui dengan sendirinya riwayat lahan, varietasnya, kelembapannya, atau seberapa luas gejala itu telah menyebar. Ia menerima representasi digital dari citra tersebut, membandingkannya dengan pola-pola yang telah dipelajarinya, lalu menghasilkan sebuah kelas, sebuah probabilitas, atau sekumpulan probabilitas. Setelah itu, aplikasi lain mungkin mengubah hasil tersebut menjadi rekomendasi. Di antara citra dan rekomendasi terbentang seluruh rantai pilihan. Setiap sistem pertanian cerdas dapat dipahami melalui enam tahap:

1. Pertanyaan: Masalah atau keputusan apa yang hendak kita dukung?
2. Masukan: Data apa yang sebenarnya dapat dilihat sistem?
3. Representasi: Bagaimana realitas pertanian telah diubah menjadi citra, angka, teks, atau deret waktu?
4. Metode: Keluarga komputasi apa yang menghubungkan masukan dengan keluaran?
5. Keluaran: Apakah hasilnya berupa klasifikasi, estimasi, probabilitas, pemeringkatan, atau rekomendasi?
6. Tindakan: Siapa yang akan menggunakan hasil itu, dan apa yang terjadi jika ia keliru atau terlambat?

Memisahkan mata rantai ini penting. Sebuah model mungkin baik dalam mengklasifikasikan citra, sementara citra itu sendiri tidak mewakili lahan. Sebuah prediksi mungkin masuk akal, tetapi mengubahnya menjadi dosis atau waktu pelaksanaan menuntut kaidah pertanian dan kendala keselamatan yang belum dipelajari model. Dalam sistem yang matang, pembedaan-pembedaan ini tidak lenyap di balik kata 'cerdas'; semuanya ditampilkan kepada pengguna, agar mereka tahu di mana kepercayaan itu beralasan dan di mana verifikasi diperlukan.

1. Dari Pertanyaan ke Representasi

Pertanyaan pertanian sebagaimana dirumuskan seseorang biasanya lebih luas daripada pertanyaan yang dapat ditangani sebuah model. Menanyakan, 'Apakah tanaman ini baik-baik saja?' menggabungkan dalam satu frasa kemungkinan penyakit, defisiensi hara, cekaman air, kerusakan mekanis, dan pengaruh cuaca. Sebaliknya, sebuah model membutuhkan tugas spesifik yang masukannya dapat direpresentasikan, yang keluarannya dapat didefinisikan, dan yang kesalahannya dapat diukur. Ambillah contoh daun yang terserang. Ia dapat diubah menjadi masalah-masalah yang berbeda:

Ini bukan sekadar beragam nama untuk tugas yang sama. Setiap pertanyaan membutuhkan data yang sesuai dengannya, jawaban benar yang darinya sistem dapat belajar, cara untuk mengukur kesalahannya, serta langkah lanjutan yang jelas begitu hasilnya muncul. Klasifikasi mungkin memadai untuk triase awal, tetapi tidak cukup untuk mengarahkan sebuah perkakas robotik ke lokasi yang presisi. Dan peta kerusakan bisa jadi sangat baik secara visual, tetapi ia tidak membuktikan penyebab kerusakan tersebut. Hal yang sama berlaku pada gulma. Jika yang diperlukan hanyalah mengetahui apakah gulma itu ada, tugas klasifikasi sudah cukup. Jika yang diperlukan adalah menghitung kerapatan gulma, kita membutuhkan penghitungan atau estimasi luas. Jika yang diperlukan adalah mengarahkan perkakas mekanis, kita membutuhkan lokasi yang presisi, waktu respons, sebuah sistem kendali, dan penghalang keselamatan. Peralihan dari 'ia melihat gulma' menjadi 'ia bergerak ke arahnya' adalah peralihan dari informasi menuju tindakan, bukan rincian pemrograman yang remeh. Karena itulah unit keputusan mendahului pemilihan model. Apakah keputusan itu menyangkut satu helai daun, satu tanaman, satu barisan, satu sektor, atau seluruh lahan? Dan apakah kita memprediksi hasil panen sebuah lahan sebelum panen, atau total keluaran suatu wilayah untuk merencanakan penyimpanan dan pengangkutan? Jika unitnya berubah, makna data dan makna kesalahan ikut berubah bersamanya. Sebuah estimasi yang baik pada tingkat wilayah mungkin tidak sesuai untuk memutuskan irigasi pada sebuah sektor kecil, sekalipun keduanya menggunakan kata 'hasil panen' atau 'produksi'. Adapun representasi, ia adalah gambaran digital realitas yang disederhanakan, yang diizinkan oleh sistem. Ia dapat merepresentasikan tanah melalui sebuah pengukuran kelembapan pada satu kedalaman, atau merepresentasikan tanaman melalui citra dari atas, atau merepresentasikan pengelolaan lahan melalui sebuah catatan tanggal. Setiap representasi menerangi satu aspek dan meninggalkan aspek-aspek lain di luar pandangan. Sebuah model tidak mengetahui apa yang tidak disuapkan kepadanya, dan ia tidak dapat mengoreksi definisi tujuan yang kabur semata-mata dengan menambah daya komputasinya. Sebuah pertanyaan praktis: Sebelum bertanya tentang nama algoritmenya, tanyakanlah: apa unit keputusannya? Apa yang dilihat sistem? Apa yang tidak dilihatnya? Dan tindakan apa yang akan dibangun di atas keluarannya?

2. Pembelajaran Terawasi: Belajar dari Contoh-Contoh dengan Luaran yang Diketahui

Pembelajaran terawasi adalah pendekatan yang di dalamnya sistem belajar dari contoh-contoh dengan luaran yang diketahui. Jika kita ingin melatihnya membedakan daun tanaman yang sehat dan yang terserang, kita menunjukkan kepadanya citra-citra yang telah ditinjau seorang spesialis dan telah diberi kondisi tertentu. Jika kita ingin melatihnya memprediksi hasil panen, kita menyediakan data cuaca, tanah, varietas, dan pengelolaan lahan, dan pada setiap catatan disertakan jumlah hasil panen yang benar-benar terukur setelah pemanenan. Dari sejumlah besar contoh semacam itu, sistem berusaha mempelajari hubungan antara data dan luaran yang diketahui, lalu menggunakan apa yang telah dipelajarinya untuk mengestimasi luaran bagi kasus baru yang belum pernah dilihatnya. Luaran yang diketahui itu disebut kelas rujukan yang diverifikasi ahli ketika berupa nama sebuah kelas, seperti 'sehat' atau 'terserang', dan nilai rujukan ketika berupa angka hasil pengukuran, seperti jumlah hasil panen. Sebuah model biasanya tidak bermula dari daftar kaidah yang ditulis seorang ahli, seperti: 'Jika muncul bercak dengan warna ini, maka kondisinya demikian dan demikian.' Sebaliknya, pengembang menyajikan kepadanya sejumlah besar contoh dengan luaran yang diketahui, dan ia mencari sendiri fitur-fitur yang berulang bersama setiap luaran. Ketika ia melihat contoh baru, ia membandingkannya dengan pola-pola yang telah dipelajarinya lalu mengestimasi luaran yang paling dekat. Kemampuan ini berguna, tetapi ia membawa risiko penting: sistem mungkin mempelajari isyarat sampingan yang mudah alih-alih mempelajari ciri pertanian yang penting bagi kita. Ia tidak mengetahui dengan sendirinya bagian mana dari citra yang merepresentasikan penyakit dan bagian mana yang sekadar latar belakang; melainkan ia belajar dari cara contoh-contoh itu dikumpulkan dan disajikan kepadanya. Mari kita bayangkan bahwa kita ingin melatih sebuah sistem untuk membedakan tanaman yang sehat dan yang terserang. Seluruh tanaman sehat difoto di dalam rumah kaca berdinding putih, sementara seluruh tanaman yang terserang difoto di lahan terbuka dengan tanah gelap terlihat di belakangnya. Yang kita inginkan adalah agar sistem mempelajari bentuk gejala pada daun, tetapi ia mungkin menemukan jalur yang lebih mudah: latar belakang putih menyertai citra-citra yang sehat, dan tanah gelap menyertai citra-citra yang terserang. Sistem itu mungkin tampak berhasil ketika diuji pada citra-citra yang dikumpulkan dengan cara yang sama, karena latar belakang dalam pengujian menyerupai latar belakang yang darinya ia belajar. Namun ia bisa gagal di lahan pertanian yang baru—misalnya, dengan mengklasifikasikan tanaman yang terserang di dalam rumah kaca putih sebagai sehat, atau menandai tanaman yang sehat karena tanah gelap berada di belakangnya. Sistem itu tidak berniat menyesatkan; ia mempelajari asosiasi yang lebih mudah yang ditawarkan data kepadanya, alih-alih tanda-tanda penyakit yang dimaksudkan perancangnya. Masalah yang sama muncul pada data numerik. Jika sebuah sensor panen memberikan pembacaan di atas atau di bawah kenyataan karena tidak terkalibrasi, model akan belajar dari angka-angka yang keliru. Jika keluaran sebagian lahan dicatat dalam ton per hektare, sementara keluaran lahan lain dicatat sebagai total ton tanpa menjelaskan perbedaannya, sistem akan memperlakukan nilai-nilai yang tidak sebanding seolah-olah semuanya satu dan sama. Dan jika satu nama digunakan untuk kondisi penyakit yang berbeda-beda, model tidak akan mengetahui batas-batas yang benar di antara semuanya. Dalam setiap contoh ini, kesalahan itu tidak tinggal di luar model; ia masuk ke dalam bahan yang darinya model belajar. Algoritmenya bisa saja menjalankan tugas komputasinya dengan akurat, namun tetap mempelajari sebuah hubungan yang dibangun di atas pengukuran yang cacat atau definisi yang tidak stabil. Sebuah metode canggih tidak dapat mengekstraksi dari data suatu kepastian yang memang tidak ada di sana sejak awal. Jadi tidak cukup menemukan sebuah jawaban tertulis di samping setiap citra atau catatan. Kita perlu mengetahui:

• Siapa yang menentukan kondisi rujukan atau nilai rujukan itu, dan kaidah apa yang mereka ikuti?
• Apakah hasilnya dikonfirmasi oleh satu spesialis, ditinjau oleh lebih dari satu spesialis, atau ditetapkan melalui uji rujukan?
• Apakah tingkat keyakinan dicatat, dan apakah hasil 'tidak konklusif' diperbolehkan ketika buktinya tidak memadai?
• Apakah definisi setiap kondisi tetap konsisten di berbagai lahan pertanian, institusi, dan musim?
• Apakah contoh-contoh itu mencakup kondisi mudah dan sulit, gejala dini dan lanjut, serta kasus-kasus campuran?
• Apakah citra dan catatan itu merepresentasikan keragaman varietas, lokasi, perangkat, dan pencahayaan?
• Apakah citra atau catatan yang sangat mirip dipisahkan antara pelatihan dan pengujian, sehingga sistem tidak diuji pada versi yang amat serupa dengan apa yang telah dilihatnya sebelumnya?

Membiarkan sistem berkata, 'Tidak ada cukup informasi untuk menilai,' bukanlah tanda kelemahan. Dalam aplikasi pertanian, penahanan diri yang disiplin bisa jadi lebih aman daripada memaksa sistem memilih sebuah nama penyakit untuk setiap citra. Hasil yang bertanggung jawab tidak sekadar menyatakan kemungkinan yang paling mungkin; ia juga memperjelas batas-batas keyakinan, informasi yang belum ada, dan langkah berikutnya yang diperlukan untuk verifikasi. Bagi pembaca tingkat lanjut: jumlah contoh yang besar tidak menggantikan keragaman yang sempit atau hasil rujukan yang lemah. Sebuah himpunan independen yang kecil namun mewakili lahan pertanian, musim, dan perangkat yang berbeda bisa jadi lebih mampu mengungkap batas-batas model daripada ribuan citra yang serupa. Karena itu, keragaman lingkungan, konsistensi definisi luaran, independensi data uji, dan biaya dari setiap jenis kesalahan harus dievaluasi berdampingan dengan ukuran himpunan data.

3. Pembelajaran Tanpa Pengawasan dan Semi-Terawasi: Apa yang Kita Lakukan Ketika Luaran yang Terdokumentasi Langka?

Dalam keadaan ideal, kita mungkin berharap seorang spesialis meninjau setiap citra, pembacaan, atau catatan, dan menentukan luaran benar yang terkait dengannya. Namun hal ini jarang mungkin dilakukan dalam kenyataan. Sebuah lahan pertanian mungkin mengumpulkan ribuan citra dan jutaan pembacaan sensor, sementara waktu, uang, atau kapasitas ahli yang dibutuhkan untuk meninjau setiap catatan satu per satu tidak tersedia. Ketika luaran yang terdokumentasi sedikit atau tidak tersedia, dapat digunakan metode-metode yang membantu menata data dan menemukan pola-pola berulang di dalamnya, tanpa bermula dari jawaban benar yang menyertai setiap contoh. Di antara metode yang terpenting adalah pembelajaran tanpa pengawasan, deteksi anomali, dan pembelajaran semi-terawasi. Metode-metode ini serupa dalam hal memanfaatkan data yang tidak ditinjau, tetapi semuanya tidak menjalankan fungsi yang sama dan tidak memberikan derajat kepastian yang sama pada hasilnya. Pertama: pembelajaran tanpa pengawasan Dalam pembelajaran tanpa pengawasan, sistem tidak diberi daftar awal yang memberitahunya, 'Zona ini baik,' 'yang ini lemah,' dan 'yang ini bermasalah drainase.' Sebaliknya, ia mencari di dalam data catatan-catatan yang saling menyerupai dalam karakteristiknya, lalu mengelompokkan yang serupa menjadi satu. Mari kita andaikan bahwa kita memiliki pembacaan dari zona-zona berbeda di sebuah lahan, mencakup kelembapan tanah, produktivitas, suhu, dan karakteristik pantulan yang ditangkap oleh citra udara. Sistem mungkin menemukan bahwa sebagian zona saling menyerupai dalam pembacaan ini dan menempatkannya dalam satu kelompok, sementara menempatkan zona-zona lain dalam kelompok yang berbeda. Hasil ini mungkin membantu petani melihat sebuah perbedaan yang sebelumnya tidak jelas, tetapi ia tidak secara otomatis menjelaskan penyebabnya. Zona-zona yang sama-sama berhasil panen rendah mungkin serupa secara matematis, tetapi alasan penurunannya bisa berbeda dari satu tempat ke tempat lain:

• Satu zona mungkin menderita drainase yang buruk.
• Zona lain mungkin terpengaruh naungan.
• Zona ketiga mungkin berbeda jenis tanahnya.
• Dan pembacaan pada zona keempat mungkin rendah karena sensor yang tidak terkalibrasi.

Jadi, pada tahap ini sistem berkata: 'Catatan-catatan ini serupa menurut data yang saya analisis.' Ia tidak berkata: 'Saya telah membuktikan bahwa zona ini buruk atau bahwa ia membutuhkan kuantitas pupuk tertentu.' Perbedaan ini bersifat mendasar. Pengelompokan komputasi membantu mengarahkan perhatian, pemeriksaan, dan pengambilan sampel, tetapi ia tidak menggantikan interpretasi pertanian. Kelompok-kelompok yang ditemukan sistem pun tidak berdiri lepas dari pilihan-pilihan perancangnya. Hasilnya dipengaruhi oleh variabel yang dimasukkan ke dalam analisis, oleh cara satuan-satuannya distandardisasi, oleh jumlah kelompok yang hendak dibentuk, dan oleh derajat kemiripan yang dianggap penting oleh algoritme. Jika kita menghilangkan data drainase, misalnya, sistem tidak akan mampu menggunakan drainase dalam menjelaskan perbedaan tersebut, betapapun canggihnya metode analisis itu. Kedua: mendeteksi kasus-kasus yang tidak biasa Salah satu penggunaan penting dari metode-metode ini adalah mendeteksi kasus-kasus yang tidak biasa. Sistem mempelajari pola pembacaan atau perilaku yang lazim selama suatu periode tertentu, lalu memperingatkan pengguna ketika muncul sebuah kasus yang berbeda darinya sampai derajat yang substansial. Perbedaan itu bisa berupa:

• Sebuah sensor kelembapan yang pembacaannya mulai melenceng secara bertahap.
• Peningkatan mendadak pada konsumsi air yang mungkin menandakan kebocoran atau perubahan pengoperasian.
• Penurunan yang tidak biasa pada aliran sebuah jalur irigasi.
• Perubahan yang mencolok pada pola gerak atau asupan pakan seekor hewan.
• Sebuah pembacaan suhu yang tetap konstan selama waktu yang luar biasa lama, yang mungkin menandakan kegagalan sensor.

Namun peringatan itu sendiri tidak membuktikan bahwa telah terjadi kerusakan atau penyakit. Ia hanya berarti: 'Kasus ini berbeda dari apa yang dianggap lazim oleh sistem, dan karena itu layak diperiksa.' Penyebabnya bisa berupa masalah nyata, perubahan musiman yang alami, sebuah operasi pertanian yang baru, atau kesalahan pengukuran. Karena itu, sebuah sinyal perbedaan tidak boleh langsung diubah menjadi diagnosis atau instruksi operasional. Jumlah peringatan yang banyak pun bukan bukti mutu sistem. Jika sistem mengirimkan, misalnya, seratus peringatan sehari kepada sebuah tim yang tidak mampu memeriksa lebih dari lima, alat itu akan menjadi sumber kebisingan, dan peringatan-peringatan penting bisa hilang di tengah peringatan yang berulang. Karena itu, sistem sebaiknya dikalibrasi menurut tiga faktor:

• Tingkat keseriusan kondisi yang mungkin gagal ia deteksi.
• Jumlah alarm palsu yang dapat ditangani oleh tim.
• Kemampuan pekerja atau spesialis untuk memeriksa peringatan tersebut tepat waktu.

Setiap peringatan hendaknya menyatakan mengapa ia diterbitkan, misalnya: "Penggunaan air di sektor ini telah naik di atas kisaran biasanya selama enam jam terakhir, sementara tidak ada perubahan serupa yang muncul di sektor-sektor tetangga." Ini lebih jelas dan lebih berguna daripada pesan umum yang berbunyi: "Terdeteksi suatu anomali." Ketiga: Pembelajaran semiterawasi Pembelajaran semiterawasi digunakan ketika kita memiliki sejumlah terbatas contoh yang telah ditinjau seorang spesialis dan diberi luaran yang benar, di samping sejumlah besar citra atau catatan yang belum ditinjau siapa pun. Andaikan sebuah lahan pertanian memiliki ribuan citra daun tanaman, tetapi seorang ahli patologi tanaman hanya mampu meninjau beberapa ratus di antaranya. Himpunan yang lebih kecil ini memuat kasus-kasus yang diketahui, seperti:

• Daun yang sehat.
• Gejala suatu penyakit tertentu.
• Gejala kekurangan unsur hara.
• Citra yang tidak memadai untuk suatu penilaian.

Citra-citra selebihnya tersedia, tetapi statusnya belum didokumentasikan. Sistem pertama-tama belajar dari contoh-contoh yang ditinjau spesialis, kemudian memanfaatkan kemiripan dan perbedaan yang ditemukan pada citra-citra lainnya. Dengan cara ini, kuantitas data yang besar dapat digunakan tanpa menuntut sang ahli meninjau setiap citra secara manual. Namun mengurangi pekerjaan manual tidak berarti meniadakan verifikasi manusia, dan tidak berarti bahwa sejumlah besar citra yang belum ditinjau dapat memperbaiki himpunan terdokumentasi yang lemah atau sempit. Jika seluruh citra yang ditinjau spesialis berasal dari:

• Satu lahan pertanian.
• Satu kultivar.
• Satu telepon.
• Kondisi pencahayaan yang serupa.
• Stadium penyakit yang lanjut.

maka sistem mungkin belajar bahwa kondisi-kondisi terbatas ini mewakili semua kasus. Ia mungkin bekerja dengan baik pada citra yang serupa, lalu berkinerja buruk ketika berhadapan dengan gejala awal, kultivar lain, lahan pertanian yang berbeda, atau kamera bermutu lebih rendah. Sistem yang telah belajar seperti apa rupa penyakit pada stadium lanjut mungkin gagal mengenali permulaannya yang dini. Sistem yang dilatih pada satu kultivar mungkin mengacaukan ciri alami kultivar lain dengan gejala penyakit. Dan ribuan citra yang tidak ditinjau spesialis mana pun tidak dapat secara otomatis mengimbangi sempitnya contoh-contoh terdokumentasi yang darinya sistem belajar apa makna kasus-kasus tersebut. Karena itu kita perlu bertanya:

• Apakah contoh-contoh terdokumentasi mewakili lahan pertanian, kultivar, dan stadium yang berbeda?
• Siapa yang menentukan status setiap contoh, dan bagaimana hal itu diverifikasi?
• Adakah kasus-kasus yang tidak dapat dipastikan, alih-alih memaksakan setiap contoh ke dalam luaran yang pasti?
• Apakah spesialis meninjau sampel dari luaran yang kemudian diusulkan sistem?
• Apakah kelemahan itu muncul pada kategori, lokasi, atau fase pertumbuhan tertentu?
• Apakah hasilnya benar-benar membaik, ataukah sistem sekadar menjadi lebih yakin?

Keempat: Mempelajari fitur umum sebelum mendefinisikan tugas Ada pula metode-metode yang pertama-tama mempelajari fitur-fitur umum yang berulang dari sejumlah besar citra atau sinyal sebelum sistem dilatih pada suatu tugas pertanian tertentu. Sistem dapat belajar membedakan bentuk, tepi, tekstur, dan gradasi warna tanpa setiap citra dikaitkan dengan nama suatu penyakit atau kondisi pertanian. Sesudah itu, digunakan himpunan yang lebih kecil yang telah ditinjau spesialis untuk mengajarkan kepada sistem tugas yang diperlukan, seperti membedakan daun yang sehat dari daun yang menunjukkan gejala tertentu. Langkah ini dapat mengurangi jumlah pekerjaan yang dibutuhkan, tetapi ia tidak berarti sistem memahami penyakit atau tanaman itu dengan sendirinya. Ia mempelajari fitur-fitur visual atau numerik yang umum, lalu diarahkan kepada suatu tugas pertanian tertentu. Mutu hasilnya tetap terikat pada keabsahan contoh-contoh terdokumentasi dan pada pengujian dalam kondisi lapangan yang independen. Contoh praktis: Membagi lahan menjadi tiga zona Andaikan sistem menganalisis data kelembapan, data hasil panen, dan citra udara, lalu membagi lahan menjadi tiga zona dengan karakteristik yang berbeda. Hasil ini tidak secara langsung berarti bahwa lahan tersebut membutuhkan tiga resep pemupukan. Langkah berikutnya yang benar adalah menggunakan peta itu untuk memandu pemeriksaan:

1. Tim pertama-tama memastikan keutuhan sensor dan data.
2. Tim mengunjungi titik-titik representatif di setiap zona.
3. Ia memeriksa tanah, drainase, naungan, dan riwayat pengelolaan.
4. Ia mengambil sampel yang sesuai ketika diperlukan.
5. Ia membandingkan interpretasi komputasional dengan pengamatan dan pengukuran lapangan.
6. Selanjutnya ia menentukan apakah zona-zona itu memang benar-benar memerlukan perlakuan yang berbeda.

Pemeriksaan itu mungkin menyimpulkan bahwa satu zona berbeda karena tanahnya, zona kedua memiliki masalah drainase, dan zona ketiga tampak berbeda karena kesalahan sensor. Jika ketiga kelompok itu lalu langsung diubah menjadi tiga resep pemupukan, sebab-sebab yang berbeda akan diperlakukan seolah-olah merupakan satu masalah tunggal. Dengan demikian, dalam kasus ini algoritma menyediakan peta pertanyaan yang layak diperiksa, bukan resep siap pakai untuk menjawabnya. Kesimpulan Ketika luaran terdokumentasi jumlahnya sedikit, metode-metode ini dapat memanfaatkan data yang melimpah dengan cara-cara yang berbeda:

• Pembelajaran tanpa pengawasan mengelompokkan kasus-kasus yang serupa, tetapi ia tidak menetapkan mengapa kasus-kasus itu serupa.
• Deteksi anomali mengingatkan kita pada apa yang menyimpang dari pola, tetapi ia tidak memberikan diagnosis final.
• Pembelajaran semiterawasi memadukan contoh-contoh yang ditinjau spesialis dengan lebih banyak data yang belum ditinjau, tetapi ia dapat memindahkan kekurangan contoh-contoh terbatas itu ke seluruh sistem.
• Mempelajari fitur umum mengurangi kebutuhan meninjau setiap citra sejak awal, tetapi ia tidak meniadakan pengujian lapangan atau penilaian pakar.

Dan prinsip yang menyatukannya adalah: Data yang melimpah membantu sistem melihat pola, tetapi makna pertanian tidak lahir dari kuantitas semata; ia lahir dari pengukuran yang sahih, contoh-contoh terdokumentasi, konteks lapangan, dan verifikasi manusia.

4. Visi Komputer: Apa yang Dilihat Sistem dalam Sebuah Citra?

Ketika seorang petani atau spesialis menatap daun tanaman, ia tidak melihat warna dan bentuk semata. Sebaliknya, ia mengaitkan apa yang dilihatnya dengan umur tanaman, sebaran gejala, kondisi lahan, cuaca, irigasi, dan pengalamannya dengan kasus-kasus sebelumnya. Sistem visi komputer, sebaliknya, bermula dari sesuatu yang lebih sempit: sebuah citra atau klip video yang diubah menjadi data digital yang dapat dianalisis komputer. Visi komputer adalah sekumpulan metode yang membantu sistem menemukan pola di dalam citra dan video. Ia dapat menggunakan model yang disebut jaringan saraf konvolusional, atau model visi yang lebih baru, untuk mengenali bentuk, warna, tekstur, dan hubungan spasial. Aplikasi pertaniannya mencakup pemeriksaan penyakit tanaman, identifikasi gulma dan buah, estimasi kematangan, penyortiran produk, serta pemantauan pergerakan dan perilaku hewan. Tinjauan-tinjauan ilmiah memetakan luasnya aplikasi ini dalam rekayasa pertanian dan pangan [SRC001][SRC002]. Namun menyatakan bahwa sistem "memahami citra" dapat menyiratkan bahwa ia melihat dan menafsirkannya sebagaimana manusia. Pada kenyataannya, citra yang sama dapat digunakan untuk menjawab pertanyaan yang berbeda, dan setiap pertanyaan memiliki metode, hasil, dan batasnya sendiri. 1\. Menentukan keadaan keseluruhan citra — klasifikasi Dalam tugas ini, sistem memandang citra sebagai satu kesatuan, lalu memilih keadaan yang paling dekat dari sekumpulan keadaan yang telah dipelajarinya sebelumnya. Hasilnya, misalnya, bisa berupa:

• Daun tampak sehat.
• Terdapat tanda-tanda yang mengindikasikan infeksi.
• Buah tampak masuk dalam kelas mutu tertentu.
• Citra tidak memadai untuk menghasilkan hasil yang andal.

Jenis analisis ini berguna untuk penyortiran awal. Tetapi ia tidak selalu menunjukkan di mana letak tanda itu di dalam citra, tidak menetapkan penyebabnya, dan tidak mengubah probabilitas menjadi diagnosis final. Jadi jika sistem mengatakan bahwa citra itu "mencurigakan", hal ini berarti pola umumnya menyerupai contoh-contoh yang telah dipelajarinya. Itu saja tidak berarti bahwa penyakitnya telah dipastikan, atau bahwa perlakuannya kini telah diketahui. 2\. Menentukan lokasi objek atau tanda — deteksi Kadang-kadang tidak cukup mengetahui bahwa citra itu memuat buah, gulma, atau bercak yang mencurigakan; kita juga perlu mengetahui di mana letaknya. Dalam hal ini, sistem menggambar lingkaran atau kotak yang tampak di sekeliling bagian yang telah dideteksinya. Ketika memeriksa daun tanaman, misalnya, sebuah kotak dapat muncul di sekeliling bercak tertentu. Ketika menganalisis citra suatu lahan, sistem dapat menempatkan kotak di sekeliling setiap buah atau gulma yang berhasil ditemukannya. Hasil ini membantu menjawab pertanyaan: Di mana letak benda yang dideteksi sistem? Ia juga membantu pengguna memverifikasi bahwa sistem terfokus pada bagian yang benar. Sistem mungkin mengira telah mendeteksi gejala penyakit padahal sebenarnya ia terfokus pada bayangan, sepetak tanah, atau bagian latar belakang citra. Tetapi mengidentifikasi lokasi bercak itu tidak menetapkan sebab kemunculannya. Sistem mungkin mengidentifikasi lokasi kerusakan dengan benar, sementara penentuan penyakit atau cekaman yang menyebabkannya tetap memerlukan informasi lain. 3\. Menggambar batas area yang terdampak — segmentasi Kita mungkin perlu mengetahui lebih daripada sekadar lokasi objek; kita mungkin ingin mengetahui secara persis berapa luas area yang ditempatinya. Dalam tugas ini, sistem mewarnai area yang diyakininya rusak, atau menggambar batas-batasnya pada citra. Alih-alih menempatkan kotak lebar di sekeliling seluruh daun, ia berusaha mengidentifikasi bagian yang terdampak di dalamnya. Hal ini dapat membantu dalam:

• Mengestimasi proporsi daun yang terdampak.
• Mengukur jumlah tutupan vegetasi dalam citra udara.
• Memisahkan buah dari latar belakang.
• Menentukan luas area yang ditutupi gulma di dalam sebagian lahan.
• Membandingkan perubahan area yang rusak dari waktu ke waktu.

Para insinyur menggunakan kata "piksel" untuk menyebut titik-titik kecil yang menyusun sebuah citra, tetapi pembaca tidak memerlukan istilah ini untuk memahami hasilnya. Yang penting dalam praktik adalah bahwa sistem sedang berusaha menggambar batas-batas yang presisi dari area yang telah dideteksinya. Sekalipun demikian, menentukan luas kerusakan tidak menetapkan penyakit mana yang menyebabkannya. Batas-batasnya mungkin presisi, sementara interpretasi penyebabnya keliru. 4\. Mengikuti objek atau kondisi dari waktu ke waktu — pelacakan Ketika menganalisis video atau rangkaian citra, sistem mungkin perlu menentukan apakah objek yang terlihat sekarang sama dengan objek yang muncul sesaat sebelumnya atau pada citra terdahulu. Hal ini dapat digunakan dalam:

• Melacak pergerakan seekor hewan di dalam kandang.
• Melacak sebuah buah di lini penyortiran.
• Menghitung objek tanpa menghitung objek yang sama lebih dari sekali.
• Memantau penyebaran area yang rusak lintas citra yang berurutan.
• Melacak pergerakan mesin atau pekerja di dalam area operasi.

Di sini, mendeteksi objek pada setiap citra secara terpisah tidaklah cukup; sistem harus menautkan kemunculannya pada bingkai-bingkai yang berurutan. Sistem dapat menghadapi kesulitan ketika objek menghilang di balik objek lain, pencahayaan berubah, hewan-hewan saling bertumpang tindih, atau kamera bergerak. Karena itu, hilangnya pelacakan tidak boleh langsung diubah menjadi kesimpulan bahwa hewan, buah, atau mesin tersebut benar-benar telah meninggalkan area itu. 5\. Mengestimasi Jarak dan Bentuk — Estimasi Kedalaman Citra datar menampilkan tinggi dan lebar, tetapi ia tidak selalu menyediakan jarak yang sebenarnya secara langsung. Sebuah robot atau mesin penyortir mungkin perlu mengetahui seberapa dekat objek itu dan bentuk apa yang dimilikinya dalam ruang. Sistem dapat menggunakan satu kamera atau lebih, atau sensor yang sesuai, untuk mengestimasi:

• Jarak antara perkakas dan buah.
• Tinggi tanaman atau ukuran suatu objek tertentu.
• Seberapa dekat seseorang atau seekor hewan dengan area pergerakan.
• Posisi cabang relatif terhadap lengan robotik.
• Bentuk objek yang harus digenggam atau dihindari.

Estimasi kedalaman dapat membantu mesin mendekat, tetapi ia tidak memadai dengan sendirinya untuk menjamin pergerakan yang aman. Sistem tetap perlu mengetahui batas dan kecepatan perkakas, berhenti ketika muncul hambatan, dan memverifikasi bahwa pengukurannya tidak berubah akibat debu, getaran, atau jarak pandang yang buruk. Mengapa tugas itu harus didefinisikan secara presisi? Pilihan tugas visi terikat pada tindakan yang diperlukan setelah hasilnya muncul. Jika tujuannya adalah mengetahui apakah citra itu memuat buah, klasifikasi citra mungkin sudah cukup. Tetapi jika tujuannya adalah menghitung buah itu, sistem harus menentukan setiap buah secara individual. Dan jika tujuannya adalah memandu lengan robotik untuk memetik sebuah buah, ia harus mengetahui posisi, jarak, dan bentuknya, lalu mengubah informasi itu menjadi gerakan yang aman. Demikian pula, mengetahui bahwa gulma hadir dalam sebuah citra tidak cukup untuk memandu perkakas mekanis ke arahnya. Sistem perlu:

1. Mengidentifikasi setiap gulma.
2. Membedakannya dari tanaman budi daya.
3. Menentukan posisinya relatif terhadap mesin.
4. Menghitung pergerakan perkakas.
5. Memverifikasi bahwa tidak ada orang, hewan, atau objek tak terduga yang hadir.
6. Menghentikan eksekusi jika keyakinan menurun atau data saling bertentangan.

Setiap transisi dalam rantai ini menambah kemungkinan kesalahan yang baru. Karena itu, tidak sah menggambarkan sebuah sistem sebagai aman semata-mata karena model visinya berkinerja baik pada citra-citra uji. Mengapa citra lapangan berbeda dari citra laboratorium? Citra pertanian pada dasarnya beragam. Daun yang sama dapat tampak berbeda karena:

• Cahaya pagi atau tengah hari.
• Bayangan.
• Sudut kamera.
• Jenis telepon atau kamera.
• Lensa yang lebih dekat atau lebih jauh.
• Debu atau kelembapan.
• Latar belakang.
• Fase pertumbuhan tanaman.
• Daun-daun yang saling bertumpang tindih.
• Keparahan gejala dan stadiumnya.

Gejala dari sebab yang berbeda juga dapat saling menyerupai. Sebagian tanda kekurangan unsur hara dapat tampak serupa dengan gejala penyakit atau cekaman air dalam satu citra. Karena itu, keberhasilan sebuah sistem dalam mengenali suatu pola visual tidak berarti bahwa ia telah menetapkan sebab agronomisnya. Sebuah model yang dilatih pada daun-daun tunggal yang ditempatkan di atas latar belakang bersih dapat tampak tangguh di laboratorium, lalu berjumpa dengan realitas yang sangat berbeda ketika ia melihat daun-daun yang bertumpang tindih, bayangan yang bergeser, debu, serangga, dan gejala pada stadium awal di lapangan. Karena itu, citra pelatihan dan pengujian hendaknya mewakili kondisi tempat sistem itu akan benar-benar beroperasi, bukan kondisi terbaik yang memungkinkan sebuah citra diambil. Ketika sistem mengingat ujian alih-alih membuktikan kemampuannya Citra yang digunakan untuk melatih sistem harus dipisahkan dari citra yang digunakan untuk mengujinya. Tetapi pemisahan itu bisa tampak benar di dalam berkas sembari tetap menyesatkan dalam kenyataan. Andaikan kita mengambil sepuluh citra yang sangat serupa dari tanaman yang sama dalam hitungan menit, lalu menempatkan sebagian citra itu dalam data pelatihan dan sebagian lainnya dalam data pengujian. Sistem mungkin mengenali detail tanaman, latar belakang, atau sudut kamera, karena citra uji itu sangat mirip dengan apa yang telah dilihatnya sebelumnya. Hal ini disebut tumpang tindih yang tidak disengaja antara data pelatihan dan data pengujian, dan secara teknis dikenal sebagai "kebocoran data". Ini seperti melatih seorang siswa dengan sekumpulan soal, lalu mengujinya dengan soal-soal yang sama setelah mengubah urutannya atau sebagian redaksinya. Siswa itu mungkin memperoleh nilai tinggi, tetapi ujian tersebut tidak membuktikan bahwa ia mampu menyelesaikan soal yang baru. Karena itu, pengujian pertanian lebih kuat apabila ia memisahkan:

• tanaman secara utuh, bukan sekadar citra.
• lahan secara utuh.
• lahan pertanian yang berbeda.
• musim yang independen.
• perangkat pencitraan yang berbeda.
• varietas atau fase pertumbuhan yang tidak disertakan dalam pelatihan.

Dan pertanyaan yang sesungguhnya bukanlah: Apakah sistem berhasil pada citra yang belum pernah dilihatnya sebelumnya sebagai berkas? Melainkan: Apakah ia berhasil pada sebuah lahan pertanian, dalam sebuah musim, atau dengan sebuah perangkat yang datanya belum pernah ia pelajari sebelumnya? Mengapa "akurasi keseluruhan" bisa menyesatkan? Satu hasil keseluruhan saja tidak cukup untuk menilai sebuah model visi. Andaikan, dalam sebuah contoh numerik yang disederhanakan, himpunan uji memuat seribu citra:

• 950 citra sehat.
• 50 citra yang terdampak penyakit signifikan.

Jika sebuah model yang lemah mengatakan bahwa semua citra itu sehat, ia akan benar pada 950 dari seribu citra, dan akurasi keseluruhannya mungkin tampak 95%. Tetapi model ini tidak mendeteksi satu pun kasus berpenyakit, dan karenanya tidak berguna untuk tugas yang untuknya ia diciptakan. Karena itu, kita harus bertanya:

• Berapa banyak kasus berpenyakit yang mampu ia deteksi?
• Berapa banyak kasus berpenyakit yang ia klasifikasikan sebagai sehat?
• Berapa banyak alarm palsu yang ia terbitkan?
• Apakah kinerjanya berbeda antarpenyakit atau antarvarietas?
• Dapatkah ia menahan diri ketika citranya tidak jelas?
• Apa yang terjadi ketika ia berjumpa dengan kasus yang tidak disertakan dalam data pelatihan?

Jika kesalahan yang paling berbahaya adalah mengklasifikasikan kasus yang langka dan serius sebagai sehat, maka kemampuan sistem untuk mendeteksi kasus spesifik tersebut harus diukur, alih-alih puas dengan rata-rata yang menggelembung oleh kelas-kelas yang umum. Dari melihat objek hingga menggerakkan mesin Dalam robotika, tugas itu tidak berakhir ketika sistem mengenali sebuah buah atau gulma. Hasilnya harus melewati rantai lain: Melihat objek ← menentukan lokasinya ← mengubah lokasi itu menjadi koordinat yang dapat dipahami mesin ← merencanakan pergerakan ← mengeksekusinya ← memverifikasi hasilnya ← berhenti ketika bahaya hadir Setiap bagian rantai ini dapat menjadi sumber kesalahan yang independen. Model mungkin mengenali buah itu dengan benar, tetapi lengannya bergerak ke posisi yang tidak presisi akibat getaran mesin. Atau posisinya benar, tetapi tangan seorang pekerja muncul di dalam area pergerakan. Atau koneksinya terputus setelah perintah dikirim dan sebelum eksekusinya dikonfirmasi. Karena itu, sistem harus mencakup:

• batas kecepatan dan gaya.
• zona keselamatan di sekeliling manusia dan hewan.
• mekanisme penghentian lokal yang tidak bergantung pada komunikasi.
• verifikasi bahwa tindakan itu berhasil.
• kemampuan untuk kembali ke keadaan yang aman.
• kewenangan yang jelas bagi pekerja untuk menghentikan atau mengambil alih pengoperasian.

Dan prinsip yang harus tetap jelas adalah: Sebuah model dapat berhasil melihat objek sementara sistemnya gagal menanganinya secara aman. Akurasi citra bukanlah akurasi keputusan, dan akurasi keputusan bukanlah keselamatan eksekusi. Pertanyaan praktis sebelum memercayai sebuah sistem visi pertanian Seorang petani atau pembeli dapat bertanya:

• Apa tugas spesifiknya: klasifikasi citra, penentuan lokasi, pengukuran area, atau pemanduan mesin?
• Apakah citra uji dikumpulkan dari lahan dan musim yang independen?
• Apakah citra-citra itu mencakup kondisi pencahayaan, perangkat, dan varietas yang terdapat di lahan pertanian saya?
• Kasus-kasus apa yang gagal dibedakan oleh sistem?
• Apakah ia menampilkan contoh-contoh kesalahan, atau hanya kasus-kasus terbaiknya?
• Dapatkah ia menyatakan bahwa citranya tidak memadai?
• Apa yang terjadi setelah hasilnya muncul: sebuah peringatan, sebuah rekomendasi, atau eksekusi otomatis?
• Siapa yang meninjau hasilnya sebelum tindakan sensitif dilaksanakan?
• Bagaimana mesin itu berhenti jika seseorang muncul atau keyakinan menurun?

Kesimpulan Visi komputer tidak memberi mesin sebuah mata manusia atau pemahaman pertanian yang utuh. Ia membantu sistem mengekstraksi informasi tertentu dari citra dan video: mengidentifikasi suatu kondisi umum, menemukan suatu objek, menggambar batas suatu area, melacak pergerakan, atau mengestimasi jarak. Nilai informasi ini ditentukan oleh tiga hal:

1. Apakah pertanyaan visualnya dirumuskan dengan cara yang sesuai dengan keputusan yang diperlukan?
2. Apakah citra-citra itu mewakili kondisi lapangan yang nyata?
3. Apakah hasilnya telah diterjemahkan menjadi tindakan melalui sebuah sistem yang aman dengan tanggung jawab yang jelas?

Hal ini memungkinkan pembaca membedakan antara sistem yang menyajikan citra meyakinkan dalam sebuah percobaan singkat dan sistem yang benar-benar telah diuji untuk beroperasi di bawah cahaya, debu, keragaman, dan batas-batas keselamatan di lahan.

5. Model Probabilistik dan Inferensi Kausal: Apa yang Diperkirakan Terjadi, dan Apa yang Dapat Diubah oleh Intervensi?

Sistem pertanian menghadapi dua jenis pertanyaan yang berbeda, dan rumusannya mungkin tampak serupa meskipun menjawabnya memerlukan bukti yang berbeda. Pertanyaan pertama adalah: Apa yang mungkin terjadi jika kondisi saat ini berlanjut? Misalnya, kita dapat bertanya:

• Berapa hasil panen yang diperkirakan pada akhir musim?
• Berapa probabilitas munculnya cekaman air dalam beberapa hari mendatang?
• Berapa probabilitas bahwa gejala tersebut berkaitan dengan suatu penyakit tertentu?
• Berapa banyak produksi yang mungkin sampai ke penyimpanan pada pekan mendatang?

Ini adalah pertanyaan-pertanyaan prediktif. Di sini, sistem berupaya menggunakan apa yang diketahuinya tentang cuaca, tanah, tanaman, dan pengelolaan sebelumnya untuk mengestimasi suatu luaran yang belum terjadi.

Pertanyaan kedua, sebaliknya, adalah: Apa yang akan terjadi jika kita mengubah sesuatu? Misalnya, kita dapat bertanya:

• Apa yang akan terjadi pada luaran jika waktu irigasi berubah?
• Apakah mengubah salah satu praktik pengelolaan akan memperbaiki hasil panen?
• Apakah mengurangi waktu operasi sebuah pompa akan mengurangi penggunaan air tanpa menimbulkan cekaman pada tanaman?
• Apakah perlakuan yang telah diterapkan itu penyebab perbaikannya, ataukah perbaikan itu terjadi karena sebab-sebab lain?

Ini adalah pertanyaan-pertanyaan kausal, karena ia tidak sekadar menggambarkan apa yang mungkin terjadi; ia menanyakan pengaruh suatu tindakan yang hendak kita ambil. Korelasi tidak membuktikan bahwa satu faktor menyebabkan faktor lainnya. Data mungkin mengungkap bahwa lahan-lahan yang menggunakan kuantitas lebih besar dari suatu masukan pertanian tertentu mencapai hasil panen yang lebih tinggi. Ini adalah hubungan yang layak dipelajari, tetapi ia tidak membuktikan bahwa menambah masukan tersebut menyebabkan hasil panen yang lebih tinggi.

Penjelasan-penjelasan lain mungkin ada, seperti:

• bahwa lahan-lahan itu memiliki tanah yang lebih baik sejak awal.
• bahwa irigasi di sana lebih konsisten.
• bahwa para petani yang mengelolanya lebih berpengalaman.
• bahwa pemiliknya memiliki peralatan yang lebih baik.
• bahwa masukan itu digunakan di lahan-lahan dengan tanaman atau varietas yang berbeda.
• bahwa kondisi cuaca lebih menguntungkan di lokasi-lokasi mereka.
• bahwa petani menambah masukan itu sebagai respons terhadap suatu kondisi yang tidak tercatat dalam data.

Dalam kasus ini, masukan dan hasil panen mungkin muncul bersamaan, sementara penyebab sesungguhnya dari perbedaan itu adalah faktor lain atau kombinasi beberapa faktor. Ini serupa dengan pengamatan bahwa lahan-lahan pertanian yang menggunakan lebih banyak sensor mencapai hasil yang lebih baik. Itu saja tidak membuktikan bahwa membeli sensor akan memperbaiki luaran di setiap lahan pertanian; lahan-lahan pertanian yang mampu membeli sensor boleh jadi memang sudah lebih baik peralatannya, lebih baik pembiayaannya, dan lebih baik pengelolaannya sejak awal. Jadi korelasi berguna untuk menemukan pola dan membangun prediksi, tetapi dengan sendirinya ia tidak menjawab pertanyaan:

Apakah mengubah faktor ini di lahan pertanian lain akan menghasilkan hasil yang sama? Mengapa pembedaan ini penting bagi petani? Pembedaan ini bukanlah perdebatan statistik abstrak yang jauh dari lapangan. Jika sistem menemukan hubungan antara suatu variabel dan hasil panen, lalu langsung mengubahnya menjadi rekomendasi, maka ia telah beralih dari mengamati korelasi ke mengandaikan kausalitas. Sebuah sistem yang memprediksi bahwa suatu lahan tertentu akan mencapai hasil panen yang tinggi tidak serta-merta mengetahui cara membuat lahan lain mencapai hasil panen yang sama. Kemampuan prediktifnya mungkin bertumpu pada faktor-faktor yang tidak dapat diubah petani, seperti jenis tanah, riwayat lokasi, atau kondisi musiman. Demikian pula, sebuah sistem mungkin mampu memprediksi lahan mana yang paling rentan terhadap cekaman, tetapi hal itu tidak secara otomatis membuktikan bahwa intervensi apa pun yang diusulkannya akan mencegah cekaman atau memberikan manfaat ekonomi. Karena itu, tiga tahap harus dibedakan:

1. Pengamatan: Hubungan apa yang muncul dalam data?
2. Interpretasi: Apa saja kemungkinan sebab dari hubungan ini?
3. Intervensi: Bukti apa yang ada bahwa mengubah suatu faktor tertentu akan mengubah luarannya?

Semakin jauh kita bergerak dari satu tahap ke tahap berikutnya, semakin kuat bukti yang kita butuhkan. Bagaimana kita mendekati pengetahuan tentang pengaruh sebuah intervensi? Untuk menentukan apakah intervensi itulah yang membuat perbedaan, kita membutuhkan sebuah metode yang memisahkan pengaruhnya dari pengaruh faktor-faktor lain sejauh mungkin. Hal ini dapat dicapai melalui:

• eksperimen lapangan yang sesuai yang membandingkan perlakuan-perlakuan tertentu.
• mengalokasikan perlakuan dengan cara yang mengurangi perbedaan yang sudah ada sebelumnya di antara kelompok-kelompok tersebut.
• membandingkan lahan pertanian atau petak lahan yang semirip mungkin.
• mengukur kondisi sebelum dan sesudah intervensi, dengan kondisi dasar yang jelas.
• menggunakan rancangan analitis kausal yang menyatakan asumsi dan keterbatasannya.
• memanfaatkan pengetahuan pertanian atau biologis yang menjelaskan bagaimana faktor tersebut dapat mengarah pada luaran itu.
• mereproduksi hasil tersebut di lokasi atau musim yang berbeda.

Demikian pula, penggunaan metode yang disebut 'inferensi kausal' tidak berarti suatu hubungan telah menjadi kausal semata-mata karena perangkat lunak telah memberinya sebuah angka. Setiap analisis kausal bergantung pada asumsi: faktor-faktor apa yang diukur? Faktor-faktor apa yang tidak ada? Apakah kelompok-kelompok itu sebanding? Dan apakah penyebab mendahului luaran secara waktu? Dan sebuah algoritma tidak dapat mengoreksi faktor penting yang tidak diukur atau tidak dicatat kecuali dengan bersandar pada asumsi-asumsi tambahan yang seharusnya dinyatakan secara eksplisit. Kaidah praktisnya: model yang baik dalam prediksi belum tentu baik dalam mengestimasi efek suatu intervensi. Prediksi luaran yang akurat tidak membuktikan bahwa sistem tahu bagaimana mengubah luaran tersebut. Apa yang ditambahkan oleh model probabilistik? Dalam banyak situasi pertanian, data tidak memadai untuk memberikan jawaban yang pasti. Gambarnya mungkin tidak jelas, gejalanya mungkin tumpang tindih, catatan cuacanya mungkin tidak lengkap, atau pembacaan sensornya mungkin tidak stabil. Alih-alih menyembunyikan kekurangan ini, model probabilistik berupaya mengungkapkan derajat ketidakpastian. Mari kita bayangkan bercak-bercak yang muncul pada daun suatu tanaman. Penyebab yang mungkin antara lain:

• penyakit jamur.
• kekurangan unsur hara.
• cekaman air.
• kerusakan akibat panas atau sinar matahari.
• kerusakan mekanis.
• lebih dari satu penyebab pada saat yang sama.

Jika sistem bersandar pada satu citra saja, ia mungkin tidak mampu membedakan penyebab-penyebab ini dengan yakin. Karena itu, ia tidak boleh langsung melompat pada satu diagnosis; sebaliknya, ia dapat memeringkat kemungkinan-kemungkinan itu dan menunjukkan apa yang ia butuhkan untuk mempersempitnya. Inilah yang dimaksud dengan diagnosis banding: membandingkan beberapa penjelasan yang mungkin bagi gejala-gejala tersebut, lalu mengumpulkan informasi yang membantu menyingkirkan sebagian dan memperkuat sebagian lainnya. Sebagai contoh, sistem dapat meminta:

• citra sisi bawah daun.
• deskripsi tentang bagaimana gejala tersebut tersebar di dalam lahan pertanian.
• apakah gejala itu muncul pada daun yang lebih muda atau lebih tua.
• catatan suhu dan kelembapan.
• informasi tentang irigasi atau perlakuan sebelumnya.
• pengamatan lapangan atau pengujian yang sesuai bila diperlukan.

Setiap kali informasi baru tiba, sistem merevisi peringkat kemungkinan-kemungkinan tersebut. Nilai di sini tidak terletak pada kecepatan menyematkan sebuah nama, melainkan pada penataan apa yang kita ketahui dan apa yang tidak kita ketahui, serta pengidentifikasian informasi berikutnya yang paling berguna. Probabilitas bukanlah kepastian yang meyakinkan dalam bentuk angka Sistem mungkin mengatakan: Probabilitas kondisi ini adalah 80%. Tetapi apa makna angka ini? Ia tidak berarti bahwa daun tertentu itu '80% terinfeksi', tidak pula berarti bahwa 80% bagian daun itu terinfeksi. Yang ia maksudkan, apabila sistem terkalibrasi dengan baik, adalah bahwa ketika ia memberikan probabilitas mendekati 80% pada sejumlah besar kasus serupa, luaran tersebut semestinya terjadi pada sekitar delapan puluh kasus dari setiap seratus, bukan pada semua kasus. Kesesuaian antara angka keyakinan dan apa yang benar-benar terjadi disebut kalibrasi probabilitas. Andaikan sebuah sistem memberikan probabilitas mendekati 80% pada seratus kasus:

• jika luaran itu terkonfirmasi pada sekitar delapan puluh kasus, keyakinannya relatif konsisten dengan kenyataan.
• jika ia terkonfirmasi hanya pada lima puluh kasus, sistem itu lebih yakin daripada yang seharusnya.
• jika ia terkonfirmasi pada sembilan puluh lima kasus, sistem itu boleh jadi kurang yakin dibandingkan apa yang dibenarkan oleh hasilnya.

Perbandingan ini tidak dilakukan pada satu kasus tunggal, melainkan pada sejumlah kasus serupa yang memadai. Memeringkat kasus tidak berarti angka-angka probabilitasnya benar Sistem mungkin berhasil memeringkat kasus dari yang paling mungkin hingga yang paling tidak mungkin, namun tetap memberikan angka keyakinan yang menyesatkan. Sebuah kasus yang ia beri nilai 90% memang bisa jadi lebih mungkin daripada kasus yang ia beri nilai 60%, dan dalam pengertian itu pemeringkatan sistem tersebut berguna. Tetapi jika kasus-kasus yang ia beri nilai 90% hanya terkonfirmasi 65% dari waktu, maka angka-angka keyakinannya terlalu tinggi. Jadi ada dua pertanyaan yang terpisah:

1. Apakah sistem memeringkat kasus dengan cara yang berguna?
2. Apakah angka-angka probabilitas itu mencerminkan kenyataan pada derajat yang dapat diterima?

Ia bisa saja berhasil pada yang pertama dan gagal pada yang kedua. Mengapa keyakinan berubah ketika berpindah ke lahan pertanian yang baru? Probabilitas sebuah sistem mungkin terkalibrasi dengan baik di lingkungan tempat ia diuji, lalu menjadi menyesatkan ketika ia dipindahkan ke tempat lain. Hal ini dapat terjadi karena perbedaan dalam:

• kultivar.
• fase pertumbuhan.
• iklim.
• luasnya penyebaran kondisi tersebut.
• kamera atau sensor.
• mutu citra.
• praktik pengelolaan.
• Proporsi kasus langka dan kasus umum.
• Metode yang digunakan untuk mengonfirmasi diagnosis.

Karena itu, tidak cukup bagi pemasok untuk menunjukkan bahwa probabilitas tersebut sesuai pada data pengembangan. Keyakinan harus dipantau setelah pemindahan, dibandingkan dengan luaran yang sebenarnya, dan dikalibrasi ulang ketika diperlukan. Kalibrasi ulang tidak dengan sendirinya membuat model itu sesuai apabila lingkungan yang baru berbeda secara mendasar; data baru atau peninjauan atas cakupan penggunaan itu sendiri mungkin diperlukan. Bagaimana hasil itu semestinya disajikan kepada pengguna? Idealnya, sistem tidak menyajikan angka telanjang atau jawaban yang pasti, melainkan menampilkan hasilnya dalam empat lapisan: 1\. Hasil yang paling mungkin dan ketidakpastiannya Sebagai contoh: Ada beberapa penyebab yang mungkin, dan data saat ini tidak memadai untuk mengonfirmasi salah satunya. Atau: Estimasi tersebut berada dalam rentang tertentu dan dapat berubah apabila cuaca atau pengelolaannya berubah. 2\. Bukti yang memengaruhi pembobotan Sebagai contoh: Kemungkinan cekaman air meningkat karena pembacaan kelembapan yang rendah dan suhu yang tinggi, tetapi satu pembacaan sensor tidak ada. 3\. Informasi yang tidak ada dan langkah berikutnya Sebagai contoh: Sensor perlu diperiksa, atau dibutuhkan citra tambahan, atau deskripsi tentang sebaran gejala tersebut, atau tinjauan spesialis, sebelum kemungkinan-kemungkinan itu dapat dipersempit. 4\. Batas keputusan dan tanggung jawab Sebagai contoh: Hasil ini merupakan peringatan awal, bukan diagnosis yang terkonfirmasi atau instruksi untuk melaksanakan suatu perlakuan. Dengan demikian, probabilitas menjadi alat untuk menstrukturkan sebuah keputusan, bukan angka yang memberi sistem itu kewenangan yang tidak ia miliki. Contoh praktis: Prediksi hasil panen bukanlah resep untuk meningkatkannya Andaikan sebuah model memprediksi hasil panen berdasarkan:

• Jenis tanah.
• Cuaca.
• Varietas.
• Waktu pelaksanaan operasi.
• Catatan irigasi.
• Data dari musim-musim sebelumnya.

Model itu mungkin membuat prediksi yang baik karena ia telah mempelajari bahwa sebagian lahan pertanian dengan tanah yang lebih baik dan pengelolaan yang lebih konsisten menghasilkan panen yang lebih tinggi. Tetapi jika ia juga memperhatikan bahwa hasil panen yang lebih tinggi berkaitan dengan peningkatan salah satu masukan, ia mungkin tidak dapat langsung menyimpulkan bahwa menambah masukan ini di semua lahan pertanian akan menaikkan hasil panen. Peningkatan itu mungkin hanya sesuai bagi lahan pertanian atau kondisi tertentu, atau ia boleh jadi sekadar penanda yang berkaitan dengan lahan pertanian yang dikelola lebih baik. Sebuah model prediktif menjawab pertanyaan: Berapa hasil panen yang mungkin dalam kondisi-kondisi ini? Sebaliknya, mengestimasi efek suatu intervensi menanyakan: Seberapa berbeda hasil panennya seandainya kita mengubah faktor ini saja, sementara faktor-faktor lainnya tetap sebanding? Pertanyaan kedua lebih sulit, karena ia menyangkut luaran alternatif yang tidak kita amati di lahan pertanian yang sama pada waktu yang sama. Itulah sebabnya ia menuntut rancangan, eksperimen, dan asumsi yang lebih jelas ketimbang sekadar mengamati hubungan tersebut di dalam catatan. Pertanyaan-pertanyaan praktis sebelum menerima suatu rekomendasi yang berdasar pada hubungan statistik Pembaca dapat bertanya:

• Apakah sistem menyediakan prediksi, ataukah ia mengklaim mengestimasi efek suatu intervensi?
• Faktor-faktor lain apa yang mungkin menjelaskan hubungan yang tampak itu?
• Apakah intervensi itu sendiri diuji, ataukah ia sekadar diamati dalam data terdahulu?
• Apakah lahan pertanian atau kelompok-kelompok itu sebanding?
• Faktor-faktor penting apa yang tidak diukur?
• Apakah hasil itu direplikasi di lokasi dan musim yang berbeda?
• Apakah sistem menyajikan sebuah rentang dan probabilitas, ataukah sebuah angka yang pasti?
• Apakah kesahihan angka-angka keyakinan itu diuji setelah pemindahan ke lingkungan lokal?
• Informasi lanjutan apa yang dapat mengurangi ketidakpastian?
• Siapa yang memiliki kewenangan untuk mengubah hasil itu menjadi tindakan?

Kaidah Pembeda Perbedaannya dapat diringkas dalam tiga pertanyaan:

• Apa yang sedang terjadi sekarang? Pertanyaan pengukuran atau diagnostik.
• Apa yang mungkin terjadi kemudian? Pertanyaan prediksi.
• Apa yang akan berubah jika kita melakukan intervensi? Pertanyaan kausal yang menuntut bukti yang lebih kuat.

Sistem yang bertanggung jawab menyatakan jenis pertanyaan yang ia jawab, dan tidak mengubah korelasi menjadi kausalitas, atau prakiraan menjadi resep, atau probabilitas menjadi kepastian.

6. Optimisasi dan Riset Operasi

Prediksi mengatakan apa yang mungkin terjadi, sedangkan optimisasi mencari suatu tindakan atau rencana di antara banyak alternatif di bawah kendala-kendala yang ditentukan. Ia dapat mengalokasikan air yang terbatas di antara sektor-sektor, menyusun rute pengumpulan, mengoordinasikan pemanenan, pengangkutan, dan pendinginan, atau menugaskan pekerja dan mesin pada jendela-jendela waktu yang saling bersaing. Sebuah masalah optimisasi terdiri atas tiga hal:

1. Keputusan yang dapat diubah: Kapan kita harus mengairi? Rute mana yang harus ditempuh kendaraan? Bets mana yang harus didinginkan lebih dahulu?
2. Kendala yang tidak boleh diabaikan: kapasitas pompa, waktu, stok, keselamatan, energi, tenaga kerja, dan batas-batas pertanian.
3. Tujuan yang ingin kita perbaiki: mengurangi air, waktu, atau kehilangan, atau menyeimbangkan beberapa tujuan.

Mari kita bayangkan tiga sektor yang membutuhkan irigasi, sementara kapasitas pemompaan tidak memungkinkan ketiganya beroperasi pada waktu yang sama. Sistem mungkin mengusulkan jadwal yang memperhitungkan status air, prioritas tanaman, dan harga energi. Tetapi jika fungsi tujuannya meminimalkan konsumsi listrik semata, ia mungkin menunda sebuah sektor yang sensitif. Dan jika ia memaksimalkan hasil panen yang diharapkan semata, ia mungkin mengabaikan bagian seorang petani kecil atau batas penyusutan air. Algoritma melaksanakan apa yang telah didefinisikan untuknya; ia tidak, atas kehendaknya sendiri, menambahkan nilai-nilai yang lupa ditetapkan oleh perancangnya. Karena itu, tidak ada 'solusi optimal' secara abstrak. Yang ada adalah solusi optimal terhadap suatu tujuan, kendala, dan data pada momen tertentu. Jika prioritas berubah, suatu sumber daya gagal, atau keyakinan terhadap prediksi menurun, sistem semestinya menghitung ulang atau beralih ke rencana alternatif. Dalam masalah di dunia nyata, tujuannya berjumlah banyak. Kita ingin mempertahankan hasil panen, mengurangi penggunaan air dan energi, menghindari cekaman, dan menghormati jendela kerja. Nilai-nilai ini tidak selalu dapat diciutkan menjadi sebuah angka yang netral. Karena itu, menyajikan beberapa skenario beserta pertukaran kepentingannya lebih jujur daripada menyajikan satu rencana tunggal seolah-olah ia satu-satunya jawaban. Sistem juga semestinya memiliki mode manual yang aman. Jika komunikasi terputus, data cuaca gagal, atau kendala-kendala saling bertentangan, proses inti tidak boleh berhenti atau berlanjut dengan rencana lama tanpa peringatan. Kekuatan optimisasi diukur bukan hanya dari keanggunan rencananya dalam kondisi ideal, melainkan dari kemampuannya menghadapi kendala dan pengecualian yang nyata. Pertanyaan praktis: Ketika seorang vendor mengatakan, 'kami mengoptimalkan irigasi', tanyakan: tujuan apa yang sedang dioptimalkan sistem itu? Siapa yang menetapkan bobot untuk air, hasil panen, dan energi? Dan apa rencananya jika datanya tidak lengkap?

7. Pembelajaran Penguatan dan Kendali: Bagaimana Sistem Belajar dari Sebuah Rangkaian Tindakan?

Dalam sebagian masalah pertanian, tugasnya bukanlah menerbitkan satu prakiraan lalu berhenti. Setiap tindakan yang diambil mengubah keadaan lahan pertanian atau mesin, dan keadaan yang baru memengaruhi keputusan yang datang berikutnya. Ketika sebuah jendela dibuka di dalam rumah kaca, suhu mungkin turun dan kelembapan mungkin berubah, tetapi efek pembukaan itu juga bergantung pada suhu udara luar, angin, dan berapa lama jendela itu tetap terbuka. Dan ketika sebuah robot bergerak di antara barisan, posisinya berubah dan demikian pula hal-hal yang dapat dilihat kameranya; seorang pekerja, seekor hewan, atau sebuah rintangan mungkin muncul di hadapannya yang beberapa saat sebelumnya tidak ada di sana. Dalam masalah semacam itu, kita tidak berhadapan dengan satu keputusan tunggal, melainkan dengan rangkaian keputusan yang saling berkaitan. Di sinilah pembelajaran penguatan dapat berperan. Apa yang dimaksud dengan pembelajaran penguatan? Pembelajaran penguatan adalah metode yang di dalamnya sistem belajar bagaimana memilih serangkaian tindakan dengan mengamati hasil dari apa yang ia lakukan. Kata 'penguatan' tidak berarti bahwa jenis pembelajaran ini lebih baik atau lebih kuat daripada semua metode lainnya. Yang ia maksudkan adalah bahwa, setelah tindakan-tindakannya, sistem menerima sinyal-sinyal numerik yang menguatkan pilihan-pilihan yang membawanya lebih dekat kepada tujuan, dan mengurangi nilai pilihan-pilihan yang menjauhkannya dari tujuan itu atau menggiringnya kepada luaran yang tidak diinginkan. Gagasan ini dapat diumpamakan dengan seorang pembelajar yang mencoba beberapa cara untuk mencapai suatu hasil, lalu secara bertahap mempertahankan cara-cara yang membawa pada luaran yang lebih baik. Tetapi perumpamaan ini memiliki batas; sistem tidak memahami lahan pertanian dalam pengertian etis atau agronomis, dan ia tidak mengetahui dengan sendirinya apa yang semestinya dihitung sebagai 'lebih baik'. Manusialah yang menentukan apa yang ia ukur, tindakan apa yang tersedia, dan batas-batas apa yang tidak boleh dilampaui. Pembelajaran penguatan terdiri atas beberapa unsur utama:

1. Keadaan: informasi yang menggambarkan situasi saat ini sejauh yang dapat diukur oleh sistem.
2. Tindakan: pilihan yang dapat dieksekusi sistem pada momen itu.
3. Luaran: apa yang berubah di lingkungan setelah tindakan itu dilaksanakan.
4. Skor numerik: sinyal yang menunjukkan apakah luaran itu bergerak lebih dekat kepada tujuan atau lebih jauh darinya.
5. Strategi pemilihan: metode yang dipelajari sistem untuk memilih tindakan yang sesuai pada setiap keadaan.

Para spesialis menyebut program yang memilih tindakan sebagai agen, skor numerik sebagai imbalan, dan strategi pemilihan sebagai kebijakan. Tetapi memahami fungsi-fungsinya lebih penting daripada menghafal nama-namanya. Contoh yang disederhanakan dari sebuah rumah kaca Mari kita andaikan ada sebuah sistem yang membantu mengelola suhu, kelembapan, dan energi di dalam sebuah rumah kaca. Keadaan yang dilihat sistem Informasi yang tersedia dapat mencakup:

• Suhu di dalam rumah kaca.
• Kelembapan.
• Suhu di luar.
• Intensitas sinar matahari.
• Kecepatan angin.
• Status jendela dan kipas.
• Kelembapan media tanam.
• Waktu dalam sehari.
• Kondisi sensor dan peralatan.

Ini bukanlah "keseluruhan lingkungan", melainkan bagian yang dapat diukur perangkat dan dikirimkan kepada sistem. Jadi apabila salah satu sensor rusak, atau apabila data tiba terlambat, sistem mungkin membuat keputusannya berdasarkan gambaran yang tidak lengkap atau sudah usang. Tindakan yang dapat ia pilih Tindakan yang tersedia dapat mencakup:

• Membuka jendela pada derajat tertentu.
• Menutupnya.
• Menyalakan kipas.
• Menurunkan atau menaikkan kecepatan kipas.
• Membentangkan naungan.
• Mempertahankan keadaan saat ini.
• Meminta intervensi pekerja alih-alih eksekusi otomatis.

Sistem juga tidak boleh dibiarkan melakukan setiap tindakan yang dapat dibayangkan. Tindakan-tindakan yang tersedia harus ditetapkan di awal dan dibatasi oleh batas-batas peralatan, keselamatan, dan tanaman. Apa yang terjadi setelah tindakan itu? Jika sistem membuka jendela, suhu mungkin turun, tetapi kelembapan pun mungkin berubah. Konsumsi energi mungkin turut meningkat apabila sistem mengompensasi perubahan itu dengan mengoperasikan peralatan lain. Dan suatu tindakan bisa sesuai pada satu waktu dalam sehari dan tidak sesuai pada waktu lainnya. Sistem mengamati apa yang terjadi setelah tindakan itu, lalu menggunakan hasilnya untuk memperbaiki pilihan-pilihannya kemudian. Jadi ia tidak belajar dari satu keputusan tunggal, melainkan dari sebuah rangkaian: Keadaan → tindakan → perubahan di lingkungan → keadaan baru → tindakan baru Apa yang dimaksud dengan "imbalan"? Imbalan dalam konteks ini bukanlah sebuah hadiah, tidak pula berarti bahwa sistem merasakan kepuasan atau hukuman. Ia adalah skor numerik yang ditetapkan oleh perancang untuk mengevaluasi luaran suatu tindakan. Skor itu dapat naik ketika:

• Suhu dan kelembapan tetap berada dalam rentang yang diperlukan.
• Konsumsi energi turun tanpa merugikan kondisi tanaman.
• Sistem menghindari pengoperasian peralatan secara tidak perlu.
• Ia mempertahankan stabilitas lingkungan alih-alih menimbulkan perubahan yang tajam.
• Ia meminta intervensi pekerja ketika data tidak memadai atau saling bertentangan.

Dan skor itu dapat turun ketika:

• Kondisi melampaui batas-batas yang dapat diterima.
• Sistem menggunakan energi atau air lebih banyak daripada yang diperlukan.
• Ia menyalakan dan mematikan peralatan berulang kali dengan cara yang mempercepat keausan.
• Ia mengabaikan sensor yang rusak.
• Ia memilih tindakan yang mendekati batas-batas keselamatan.

Jadi frasa "imbalan yang mengungkapkan tujuan" sesungguhnya berarti: Sebuah persamaan atau metode perhitungan yang ditetapkan oleh perancang untuk mengonversi beberapa luaran — seperti kondisi tanaman, energi, air, dan stabilitas peralatan — menjadi sinyal-sinyal yang membantu sistem membandingkan tindakan-tindakannya. Tetapi skor ini tidak selalu merepresentasikan keseluruhan tujuan. Apa yang tidak dimasukkan perancang ke dalam perhitungan adalah sesuatu yang mungkin tidak diperhitungkan oleh sistem. Ketika sistem mengenai angkanya tetapi meleset dari maksudnya Andaikan perancang memberi sistem itu hanya satu tujuan: meminimalkan konsumsi energi. Sistem mungkin belajar untuk mengurangi pengoperasian kipas atau ventilasi lebih daripada yang seharusnya. Ia mungkin berhasil, dalam pengertian komputasional, memangkas penggunaan listrik sementara suhu atau kelembapan di dalam rumah kaca memburuk. Andaikan tujuannya adalah menahan suhu pada satu nilai tunggal. Sistem mungkin menyalakan dan mematikan peralatan pemanas dan pendingin berulang kali, mengabaikan kelembapan, atau mengonsumsi energi dalam jumlah besar demi mencegah variasi alami yang kecil yang tidak merugikan tanaman. Dalam kedua kasus itu, sistem secara komputasional telah melakukan apa yang diminta darinya, tetapi ia tidak mencapai maksud pertanian yang lebih luas. Kekeliruan di sini tidak selalu bersumber dari kelemahan dalam algoritmanya. Kekeliruan itu mungkin terletak pada cara manusia merumuskan tujuannya. Sistem dapat mengoptimalkan skor yang diberikan kepadanya, tetapi ia tidak dengan sendirinya mengetahui kepentingan dan kendala yang tidak dimasukkan ke dalam definisinya. Karena itu, bergantung pada masalahnya, metode evaluasi harus mencakup:

• Kondisi tanaman.
• Air dan energi.
• Stabilitas peralatan.
• Keselamatan manusia dan hewan.
• Batas-batas pengoperasian.
• Biaya perubahan yang sering terjadi.
• Kemampuan untuk beralih kembali ke mode yang aman.
• Kasus-kasus yang di dalamnya keputusan harus diserahkan kepada manusia.

Kaidah dasarnya: sistem tidak mempelajari apa yang kita inginkan dalam benak kita; ia mempelajari apa yang kita ungkapkan dalam data, skor, dan kendala. Mengapa penalti komputasional tidak cukup untuk melindungi keselamatan? Seorang perancang mungkin terpikir untuk menurunkan skor ketika sistem melaksanakan tindakan yang berbahaya. Tetapi sebagian tindakan tidak boleh dibiarkan untuk dicoba sejak awal, sekalipun ia kemudian akan berujung pada skor negatif. Sebagai contoh, sistem tidak boleh dibiarkan mempelajari bahaya mematikan ventilasi dalam kondisi yang berat dengan melaksanakan tindakan itu dan menempatkan tanaman dalam risiko. Tidak pula sepatutnya sebuah robot mempelajari bahwa mendekati seorang pekerja itu tidak aman dengan menabrak pekerja tersebut satu kali. Karena itu, harus dibuat pembedaan antara:

• Tujuan-tujuan yang dapat dioptimalkan sistem.
• Batas-batas keselamatan yang tidak boleh ia lampaui.

Sistem boleh berupaya mengurangi penggunaan energi atau memperbaiki stabilitas dalam rentang yang diizinkan, tetapi sebuah lapisan yang independen harus mencegahnya dari:

• Melampaui batas suhu yang berbahaya.
• Mengoperasikan sebuah alat ketika seorang manusia berada di zona pergerakan.
• Melanjutkan apabila sensor-sensor kritis gagal.
• Mengeksekusi sebuah perintah dengan satuan atau nilai di luar batas yang disetujui.
• Terus bergerak setelah kehilangan lokasi atau komunikasi.
• Menonaktifkan mekanisme penghentian manual.

Batas-batas ini kadang disebut kendala keras, yang berarti aturan operasional yang mengikat yang tidak dapat dilanggar sistem demi mengejar skor yang lebih baik. Apa yang dimaksud dengan eksplorasi? Agar sistem mengetahui tindakan mana yang terbaik, ia mungkin perlu mencoba opsi-opsi yang sebelumnya tidak banyak ia gunakan. Inilah yang disebut eksplorasi. Tetapi eksplorasi dalam sebuah sistem nyata berbeda dari eksperimen di dalam permainan digital. Sebuah kekeliruan di lapangan dapat memboroskan air, menekan tanaman, merusak peralatan, atau menempatkan seorang pekerja dalam risiko. Karena itu, sistem tidak sepatutnya bebas mencoba tindakan apa pun di lahan pertanian. Risiko dapat dikurangi melalui jalur yang bertahap:

1. Pembelajaran atau evaluasi dimulai dalam sebuah simulasi yang merepresentasikan lingkungan itu secara cukup baik.
2. Data historis digunakan untuk memahami apa yang terjadi dalam kondisi-kondisi sebelumnya, dengan tetap mengingat bahwa data itu tidak mencakup semua tindakan yang mungkin.
3. Sistem diuji dalam mode pemantauan, mengusulkan tindakan tanpa melaksanakannya.
4. Usulan-usulannya dibandingkan dengan apa yang dilakukan operator dan dengan apa yang terjadi sesudahnya.
5. Ia beralih ke uji coba terbatas dalam rentang berisiko rendah.
6. Kendala-kendala independen dan kewenangan penghentian oleh manusia tetap aktif.
7. Pengoperasian diperluas hanya setelah muncul bukti yang memadai mengenai keselamatan dan stabilitas.

Simulasi saja tidak cukup, karena ia merupakan gambaran kenyataan yang disederhanakan. Respons tanaman, peralatan, atau cuaca mungkin berbeda dari apa yang diasumsikan model. Hal ini kadang dikenal sebagai kesenjangan antara simulasi dan kenyataan. Karena itu, peralihan menuju pengoperasian nyata harus bertahap, terpantau, dan dapat dibalik. Tidak setiap masalah kendali menuntut pembelajaran penguatan Pembelajaran penguatan mungkin tampak menarik karena ia belajar dari sebuah rangkaian keputusan, tetapi ia tidak dengan sendirinya merupakan opsi terbaik. Jika aturan pengoperasiannya jelas dan stabil, sebuah sistem berbasis aturan yang sederhana mungkin lebih transparan dan lebih mudah diuji. Jika respons peralatannya diketahui dan dapat direpresentasikan dengan baik, metode kendali konvensional atau optimisasi berkendala mungkin lebih aman dan lebih murah. Pembelajaran penguatan menjadi kandidat ketika:

• keputusan-keputusannya berurutan, dan setiap tindakan memengaruhi apa yang menyusulnya.
• luaran sebagian tindakan baru tampak setelah suatu jeda.
• terdapat pertukaran kepentingan antara manfaat langsung dan efek di kemudian hari.
• sulit menuliskan sebuah aturan tetap yang mencakup semua kasus.
• tersedia lingkungan pelatihan atau simulasi yang sesuai.
• rentang tindakan yang aman dapat ditentukan.
• terdapat cara untuk memantau kinerja dan kembali ke keadaan semula.

Tetapi jika tujuannya sekadar mendeteksi suatu penyakit dalam sebuah citra, memprediksi hasil panen, atau menerbitkan satu peringatan tunggal, metode lain mungkin lebih sesuai. Pembelajaran penguatan tidak sepatutnya digunakan semata-mata karena ia terdengar lebih baru atau lebih mengasyikkan. Siapa melakukan apa di dalam sistem kendali? Dalam sebuah sistem pertanian yang nyata, beberapa fungsi harus dipisahkan: 1\. Pengukuran keadaan Sensor dan kamera mengumpulkan informasi tentang lingkungan dan peralatan. Informasi ini mungkin tidak lengkap, tertunda, atau tidak akurat. 2\. Estimasi atau prediksi keadaan Sebuah model dapat digunakan untuk mengestimasi apa yang tidak diukur secara langsung, atau untuk memprediksi apa yang mungkin terjadi setelah suatu tindakan tertentu diambil. 3\. Pemilihan tindakan Strategi kendali menentukan tindakan yang diusulkan dengan mempertimbangkan keadaan, tujuan, dan kendala. 4\. Pemeriksaan keselamatan Sebuah lapisan independen meninjau apakah tindakan itu diizinkan, apakah datanya memadai, dan apakah peralatan serta lingkungannya berada dalam kondisi yang aman. 5\. Eksekusi Perintah dikirim ke jendela, kipas, pompa, atau motor, dan harus dipastikan bahwa perintah itu benar-benar dilaksanakan, bukan sekadar dikirim. 6\. Verifikasi luaran Sistem membandingkan apa yang diharapkan dengan apa yang terjadi setelah eksekusi. Jika perangkatnya tidak merespons, atau bergerak secara berbeda, hal ini harus terdeteksi. 7\. Pengawasan manusia Seorang manusia memiliki kewenangan untuk menyetujui, menghentikan, atau menimpa keputusan, dan dapat kembali ke pengoperasian manual yang jelas ketika aplikasi atau koneksinya gagal. Pemisahan ini penting karena keberhasilan satu bagian tidak membuktikan keberhasilan keseluruhan sistem. Perangkat lunak mungkin memilih tindakan yang sesuai, tetapi katupnya tidak merespons. Katup mungkin melaksanakan perintah itu, tetapi sensor yang mengonfirmasi luarannya mungkin rusak. Komponen-komponennya mungkin berfungsi secara teknis, tetapi tujuannya sendiri mungkin tidak lengkap. Apa yang dimaksud dengan pembelajaran penguatan mendalam? Pembelajaran penguatan mendalam adalah pembelajaran penguatan yang menggunakan jaringan saraf mendalam untuk membantu sistem merepresentasikan keadaan-keadaan yang kompleks, mengestimasi nilai tindakan-tindakan, atau memilihnya. Dan kata 'mendalam' tidak berarti bahwa sistem itu:

• memahami lingkungan dengan cara yang manusiawi.
• lebih aman.
• niscaya mensyaratkan adanya robot.
• secara otomatis melihat citra.
• layak untuk penerapan di lapangan.
• lebih baik daripada aturan atau kendali konvensional.

Pembelajaran penguatan mendalam dapat digunakan dalam lingkungan simulasi untuk memilih tindakan, sementara visi komputer menggunakan model lain untuk menganalisis citra. Keduanya dapat beroperasi di dalam satu robot, tetapi keduanya menjalankan dua fungsi yang berbeda. Sebuah koreksi sumber yang penting: melihat gulma bukanlah mengendalikan penyingkirannya Dalam materi editorial terdahulu untuk buku ini, muncul sebuah ungkapan yang menggambarkan salah satu studi deteksi gulma sebagai contoh "pembelajaran penguatan mendalam" yang digunakan dalam penyingkiran secara robotik. Namun sumber yang dapat diverifikasi [SRC009] berkenaan dengan klasifikasi citra yang diambil di lahan kedelai menggunakan jaringan saraf konvolusional. Artinya, studi tersebut mendukung salah satu tugas visi komputer: menganalisis citra dan membedakan antarpola. Dan sumber ini tidak menetapkan bahwa studi tersebut mengembangkan:

• sebuah sistem yang mempelajari rangkaian tindakan.
• sebuah strategi kendali dalam robot.
• sebuah sinyal imbalan untuk mengevaluasi penyingkiran.
• gerak otomatis menuju gulma.
• penerapan di lapangan untuk penyingkiran.
• sebuah sistem yang berbasis pembelajaran penguatan mendalam.

Perbedaannya bersifat mendasar: Visi komputer bertanya: adakah gulma di dalam citra, dan di mana letaknya? Pembelajaran penguatan dan kendali, sebaliknya, bertanya: Tindakan apa yang harus diambil mesin sekarang, dan bagaimana tindakan itu akan memengaruhi keadaan serta tindakan berikutnya? Sebuah robot penyiang mungkin membutuhkan model visi untuk mengidentifikasi tanaman, lalu sistem lain untuk menentukan lokasi, lalu perencana gerak, lalu pengendali untuk mengeksekusi tindakan, lalu lapisan keselamatan yang menghentikan mesin ketika bahaya muncul. Keberhasilan sebuah algoritma klasifikasi tidak membuktikan keberhasilan rantai ini. Pencantuman koreksi ini bukanlah perdebatan tentang penamaan, melainkan penerapan metode pembuktian buku ini: tidak ada algoritma, kemampuan operasional, atau dampak lapangan yang boleh dinisbatkan kepada sumber kecuali sumber itu menetapkannya. Contoh terpadu: pengelolaan ventilasi di rumah kaca Andaikan sistem mengelola sebuah jendela dan sebuah kipas di dalam rumah kaca. Pada suatu saat tertentu, ia membaca:

• suhu internal yang sedikit meningkat.
• kelembapan yang tinggi.
• suhu eksternal yang lebih rendah.
• angin sedang.
• tidak ada alarm peralatan.

Ia dapat memilih antara:

• membiarkan keadaan sebagaimana adanya.
• membuka jendela sebagian.
• membukanya lebih lebar.
• menyalakan kipas.
• menggunakan jendela dan kipas secara bersamaan.
• meminta tinjauan pekerja.

Jika ia membuka jendela sebagian lalu suhu dan kelembapan menurun tanpa konsumsi energi yang tinggi, metode evaluasi mencatat bahwa luarannya bergerak lebih dekat kepada tujuan. Jika tindakan itu menyebabkan perubahan mendadak atau kelembapan bergerak ke luar rentang, skor numeriknya menurun. Namun tetap harus ada aturan-aturan yang tidak tunduk pada eksperimentasi, seperti:

• tidak mengoperasikan peralatan apabila penutup pemeliharaan terbuka.
• tidak melanjutkan ketika sensor-sensor kritis saling bertentangan.
• tidak melampaui batas operasi motor.
• beralih ke mode aman ketika komunikasi terputus.
• memungkinkan pekerja menghentikannya seketika.

Dengan cara ini, sistem belajar di dalam ruang yang diizinkan dan tidak memiliki kebebasan untuk mendefinisikan ulang keselamatan melalui eksperimentasi. Pertanyaan praktis sebelum menerima sebuah sistem yang berbasis pembelajaran penguatan Petani, pembeli, atau operator dapat bertanya:

• Keputusan berurutan apa yang dipelajari sistem untuk diambil?
• Informasi apa yang menggambarkan keadaan saat ini?
• Apa yang terjadi jika sebuah sensor penting rusak atau tertunda?
• Tindakan apa saja yang boleh diambil sistem?
• Bagaimana skor numerik yang memandu pembelajaran itu dihitung?
• Aspek-aspek apa yang tidak tercakup dalam skor numerik ini?
• Batas-batas apa yang tidak boleh dilampaui sistem?
• Di mana pelatihan dilakukan: dalam simulasi atau dalam operasi yang sesungguhnya?
• Bagaimana kesenjangan antara simulasi dan lahan pertanian ditangani?
• Apakah sistem telah dimulai dengan rekomendasi dan pemantauan sebelum eksekusi?
• Apa yang terjadi ketika ia menghadapi situasi yang belum pernah dilihatnya?
• Adakah mekanisme penghentian lokal yang independen dari aplikasi?
• Siapa yang berwenang menyetujui, mengambil alih, dan kembali ke mode manual?
• Apakah pembelajaran penguatan benar-benar diperlukan, ataukah ada pendekatan yang lebih sederhana dan lebih jelas?

Bagi pembaca tingkat lanjut: Evaluasi sebuah sistem pembelajaran penguatan tidak terbatas pada skor rata-rata yang dicapainya selama pelatihan. Perilakunya dalam kasus-kasus langka, kestabilan kinerjanya, kepekaannya terhadap cara tujuan didefinisikan, kemampuannya beroperasi dengan data yang tidak lengkap, kepatuhannya terhadap kendala, kesenjangan antara simulasi dan kenyataan, serta keselamatan peralihan dari rekomendasi ke eksekusi, semuanya harus diperiksa. Kesimpulan Pembelajaran penguatan bukanlah metode yang memberi mesin kebebasan bereksperimen di lapangan. Ia adalah suatu pendekatan untuk mempelajari cara memilih tindakan berurutan di dalam batas-batas yang dirancang oleh manusia. Nilainya bergantung pada lima hal:

1. Bahwa informasi yang tersedia benar-benar menggambarkan keadaan yang relevan.
2. Bahwa skor numerik merepresentasikan tujuan pertanian tanpa mereduksinya menjadi angka yang menyesatkan.
3. Bahwa keselamatan tetap berada dalam aturan-aturan independen yang tidak boleh diambil alih.
4. Bahwa peralihan dari simulasi ke operasi berlangsung bertahap dan dapat dibalik.
5. Bahwa manusia tetap menjadi pihak yang berwenang menghentikan sistem dan memberikan persetujuan akhir.

Dan kaidah yang harus dipetik pembaca adalah: Sistem tidak mempelajari tujuan yang secara implisit kita maksudkan; ia mempelajari perilaku yang diberi imbalan oleh angka-angka dan yang diizinkan oleh kendala. Karena itu, tujuan dan batas-batas harus diuji sebelum kecerdasan algoritmanya diuji. Kaidah keselamatan terakhir dapat dinyatakan dengan lebih jelas sebagai berikut: Lahan pertanian tidak boleh menjadi tempat pertama di mana perancang menemukan bahwa metode untuk mengevaluasi sistem itu tidak lengkap, atau bahwa mencoba suatu tindakan baru dapat membahayakan tanaman, manusia, atau peralatan.

8. Model Bahasa, Pembangkitan, dan Pengambilan: Dari Pertanyaan Menuju Jawaban yang Berlandaskan Bukti

Seorang petani dapat bertanya kepada asisten digital dengan bahasa sehari-hari alih-alih menelusuri menu-menu yang panjang atau mengisi formulir teknis yang rumit. Ia dapat bertanya tentang makna sebuah peringatan, meminta ringkasan sebuah dokumen, meminta instruksi diterjemahkan, membandingkan dua catatan, atau mengekstrak sepotong informasi tertentu dari sebuah laporan. Kemudahan ini adalah salah satu manfaat terpenting model bahasa, tetapi ia juga merupakan sumber potensial kesalahpahaman. Sebuah jawaban yang ditulis dalam bahasa yang jelas dan penuh keyakinan boleh jadi tampak berasal dari seorang ahli yang mengenal lapangan, lokasi, dan produk, padahal pada kenyataannya sistem mungkin menyusunnya dari pola-pola kebahasaan atau dari informasi tidak lengkap yang tidak memadai untuk pengambilan keputusan. Jadi tidak cukup bertanya: Dapatkah sistem menulis jawaban yang dapat dipahami? Kita juga harus bertanya: Dari mana informasi dalam jawaban itu berasal? Dan apakah ia berlaku untuk tanaman, tempat, waktu, dan keputusan ini? Apa yang dilakukan model bahasa? Model bahasa adalah sistem yang dilatih pada teks dalam jumlah besar untuk mempelajari hubungan-hubungan yang berulang di antara kata, kalimat, dan gagasan. Ketika ia diminta memberikan jawaban, ia membangun teks itu bagian demi bagian berdasarkan pertanyaan, instruksi sistem, dan konteks apa pun yang tersedia baginya. Ia dapat digunakan untuk tugas-tugas seperti:

• Meringkas dokumen yang panjang.
• Menerjemahkan konten dari satu bahasa ke bahasa lain.
• Mengubah catatan yang tercerai-berai menjadi laporan yang tertata.
• Mengekstrak nama tanaman, lokasi, tanggal, atau satuan dari sebuah catatan.
• Menjelaskan istilah teknis dengan bahasa yang lebih sederhana.
• Membandingkan beberapa dokumen.
• Mengelola dialog yang terdiri atas lebih dari satu pertanyaan dan jawaban.
• Merumuskan jawaban dalam bahasa alami yang dapat dibaca pengguna.

Namun kemampuan-kemampuan ini tidak berarti bahwa model memiliki pemahaman pertanian yang mandiri atau ingatan yang mutakhir atas setiap regulasi, harga, dan produk. Ia pandai menyusun teks yang koheren, dan dalam melakukannya ia mungkin menggunakan informasi yang benar, informasi yang tidak lengkap, atau kaitan yang tampak masuk akal secara kebahasaan tetapi tidak berlandaskan kokoh pada sumber. Kefasihan, dengan demikian, adalah sifat perumusan jawaban, bukan bukti ketepatan isinya. Bagaimana sebuah jawaban dapat meyakinkan namun tidak didukung bukti? Ketika model tidak memiliki informasi yang cukup, ia mungkin tidak membiarkan kesenjangan itu tampak. Ia mungkin melengkapi kalimat dengan perumusan yang tampak masuk akal berdasarkan pola-pola yang dipelajarinya dari teks-teks terdahulu. Hal ini dapat berujung pada:

• Sebuah angka yang tidak muncul dalam sumber.
• Sebuah penyebab yang tidak pasti dibingkai seolah-olah ia sebuah diagnosis.
• Sebuah dosis yang tampak wajar tetapi tidak terkait dengan produk yang terdaftar.
• Sebuah nama produk yang tidak sesuai untuk tanaman atau negara tersebut.
• Sebuah harga yang usang, atau berasal dari pasar lain.
• Sebuah kutipan yang tampak resmi tetapi tidak mendukung klaim tersebut.
• Sebuah terjemahan yang menghilangkan kualifikasi, mengubah satuan, atau melebih-lebihkan tingkat kepastian.
• Sebuah jawaban umum yang disajikan seolah-olah ia rekomendasi khusus untuk suatu lahan pertanian.

Ini tidak berarti bahwa model dengan sengaja berupaya menipu. Masalahnya adalah bahwa ia dirancang untuk menghasilkan teks yang sesuai dengan konteks kebahasaan, bukan untuk menjamin bahwa setiap kalimat telah diperiksa terhadap sumber yang sahih untuk keputusan ini. Kaidah dasar: Kemampuan sebuah sistem untuk melengkapi sebuah kalimat tidak berarti ia memiliki bukti yang dibutuhkan untuk melengkapi sebuah keputusan. Sebuah pertanyaan pertanian yang pendek dapat menyembunyikan banyak sekali informasi Jika seorang petani bertanya: "Muncul bercak-bercak pada tanaman saya; apa yang harus saya gunakan?" kalimat itu mungkin tampak jelas secara kebahasaan, tetapi ia tidak lengkap secara pertanian. Ia tidak memberi tahu kita:

• Apa tanamannya?
• Apa varietasnya?
• Berapa umur tanaman dan apa fase pertumbuhannya?
• Di mana lahan pertanian itu berada?
• Kapan gejalanya muncul?
• Apakah gejala itu muncul pada daun muda atau daun tua?
• Apakah pada permukaan atas atau permukaan bawah?
• Apakah gejala menyebar ke seluruh lahan, atau terbatas pada petak-petak tertentu?
• Adakah gejala pada batang, akar, atau buah?
• Bagaimana kondisi cuaca dan irigasinya?
• Apakah sudah ada perlakuan sebelumnya yang digunakan?
• Apakah citranya jelas, dan apakah ia mewakili kasus tersebut?
• Produk mana yang terdaftar untuk tanaman dan organisme pengganggu itu di negara tempat penggunaan?
• Adakah pembatasan terkait tenggang waktu sebelum panen atau waktu masuk kembali bagi pekerja?

Jika sistem mengisi sendiri kesenjangan-kesenjangan ini, ia mungkin memberikan jawaban yang sesuai untuk kasus yang dibayangkannya, bukan untuk kasus yang sebenarnya ada di lahan pertanian. Karena itu, sistem yang bertanggung jawab seharusnya berhenti ketika informasi tidak lengkap dan meminta apa yang dibutuhkannya sebelum mempersempit kemungkinan. Jawaban awal yang terbaik boleh jadi berupa pertanyaan klarifikasi, bukan sebuah rekomendasi. Apa perbedaan antara pembangkitan dan pengambilan? Pembangkitan adalah proses merumuskan jawaban baru dalam bahasa alami. Model mengambil pertanyaan dan konteks yang tersedia, lalu menatanya menjadi teks yang dapat dibaca pengguna. Pengambilan, sebaliknya, adalah pencarian di dalam kumpulan dokumen atau catatan untuk menemukan bagian-bagian yang mungkin relevan dengan pertanyaan. Jika pengguna bertanya tentang masa tunggu yang disyaratkan untuk suatu produk tertentu, sistem dapat mencari di dalam:

• Label produk yang disetujui dan berlaku saat ini.
• Catatan pendaftaran produk.
• Dokumen yang diterbitkan oleh otoritas regulasi yang berwenang.
• Panduan resmi yang berkaitan dengan tanaman dan organisme pengganggu tersebut.
• Edisi bertanggal dari sebuah basis pengetahuan yang telah disetujui.

Pengambilan tidak selalu merumuskan jawaban akhir; ia lebih tepat menemukan bahan yang darinya jawaban itu dapat dibangun. Ketika sistem memadukan pencarian sumber dengan perumusan jawaban berdasarkan apa yang telah diambilnya, alur kerja ini disebut pembangkitan yang diperkaya pengambilan, yang biasanya disingkat menjadi RAG. Apa yang terjadi dalam pembangkitan yang diperkaya pengambilan? Alur kerja ini dapat disederhanakan menjadi enam tahap:

1. Memahami pertanyaan: menentukan apa yang ditanyakan pengguna dan informasi apa yang belum ada.
2. Menetapkan cakupan pencarian: memilih kumpulan sumber yang sesuai dengan tanaman, lokasi, dan topik.
3. Menemukan bagian-bagian kandidat: mencari bagian dokumen yang tampak relevan dengan pertanyaan.
4. Memeriksa keabsahan: menyisihkan dokumen yang usang, tidak resmi, atau tidak sesuai dengan konteks.
5. Merumuskan jawaban: menggunakan bagian-bagian yang diterima untuk menulis jawaban yang jelas.
6. Menampilkan sumber dan batas-batasnya: memungkinkan pengguna mengetahui dari mana informasi itu berasal dan apa yang tidak dapat ditetapkan oleh jawaban tersebut.

Jalur ini dapat mengurangi jawaban yang tidak didukung bukti, tetapi ia tidak mencegahnya secara otomatis. Sistem dapat keliru pada salah satu dari enam tahap tersebut. Pengambilan tidak menanamkan pengetahuan permanen di dalam model Ketika sistem mengambil sebuah dokumen pada saat pertanyaan diajukan, ia menempatkan sebagian dokumen itu di hadapan model untuk membantunya merumuskan jawaban. Itu tidak berarti pengetahuan tersebut telah menjadi bagian permanen dari model, atau bahwa semua jawabannya di kemudian hari akan menggunakannya dengan benar. Dengan pertanyaan baru, pencarian baru dapat dijalankan dan bagian yang berbeda diambil. Karena itu, mutu setiap jawaban bergantung pada:

• perumusan pertanyaan.
• kumpulan sumber yang tersedia.
• cara sumber-sumber itu ditata dan diindeks.
• kriteria pencarian.
• bagian-bagian yang disajikan kepada model.
• instruksi yang membatasi perumusan.
• kemampuan sistem untuk menahan diri ketika ia tidak menemukan dukungan yang memadai.

Ini berarti bahwa mengevaluasi model bahasa semata tidaklah cukup; seluruh jalur pencarian, perumusan, dan pengutipan harus dievaluasi. Bagaimana jalur pengambilan dapat keliru? Jalur ini dapat gagal dengan beberapa cara: 1\. Salah memahami pertanyaan Ia mungkin menafsirkan sebuah kata lokal sebagai nama suatu penyakit, atau mengacaukan nama sebuah tanaman dengan nama sebuah varietas, atau mengasumsikan bahwa pengguna bertanya tentang perlakuan padahal pengguna sebenarnya bertanya tentang identifikasi awal. 2\. Mencari dalam kumpulan yang tidak sesuai Sistem mungkin mencari artikel umum padahal pertanyaannya menuntut dokumen lokal resmi, atau mencari panduan untuk tanaman yang berbeda. 3\. Mengambil dokumen lama Dokumen itu mungkin benar ketika diterbitkan, tetapi pendaftaran produk, pembatasan, harga, atau instruksinya mungkin telah berubah setelahnya. 4\. Mengambil sumber yang sahih untuk konteks yang berbeda Rekomendasi itu mungkin benar untuk negara lain, varietas lain, fase pertumbuhan lain, atau sistem produksi yang berbeda. 5\. Memilih bagian yang sama kata-katanya tetapi tidak sama maknanya Bagian itu mungkin memuat nama penyakit dan tanamannya, tetapi membahas pencegahan alih-alih perlakuan, atau menguraikan sebuah studi riset alih-alih instruksi operasional. 6\. Melampaui sumber saat perumusan Sumber mungkin menyebutkan sebuah catatan umum, lalu model mengubahnya menjadi rekomendasi spesifik yang tidak muncul dalam sumber tersebut. 7\. Menempatkan kutipan yang benar setelah kalimat yang tidak didukung oleh sumber Kehadiran nama sumber atau tautannya tidaklah cukup. Klaim itu sendiri harus muncul dalam sumber, dengan derajat kepastian yang sama dan batas-batas yang sama. Jadi sumbernya mungkin tepercaya, dan pengambilannya mungkin berhasil pada tataran tekstual, namun jawabannya bisa saja tetap tidak layak untuk pengambilan keputusan pertanian. Kemiripan perumusan bukanlah kelayakan untuk digunakan Andaikan sistem menemukan sebuah dokumen yang membahas bercak daun pada suatu tanaman tertentu. Dokumen itu mungkin tampak sangat relevan dengan pertanyaan, tetapi ia mungkin:

• berkenaan dengan negara yang pendaftaran produknya berbeda.
• membahas varietas atau lingkungan yang berbeda.
• merupakan studi laboratorium alih-alih panduan lapangan.
• menguraikan gejala serupa dengan penyebab yang berbeda.
• sudah lama atau telah digantikan oleh versi yang lebih baru.
• membahas pencegahan padahal pengguna bertanya tentang kasus yang sudah terjadi.
• menyebutkan bahan aktif tanpa produk yang terdaftar secara lokal.
• berupa terjemahan dan telah kehilangan suatu kualifikasi yang penting.

Karena itu, pengambilan tidak boleh bersandar pada kemiripan kata semata. Pencarian harus dipersempit menggunakan informasi seperti:

• Tanaman.
• Varietas, apabila diperlukan.
• Lokasi dan yurisdiksi hukum.
• Fase pertumbuhan.
• Tanggal.
• Jenis dokumen.
• Lembaga penerbit.
• Status dokumen: berlaku, diarsipkan, rancangan, atau dicabut.
• Status pendaftaran produk.
• Jenis keputusan: informasi umum, diagnosis, dosis, atau tindakan yang diatur regulasi.

Syarat-syarat ini kadang disebut penyaring pencarian. Semua itu adalah aturan yang mencegah sistem memperlakukan setiap teks yang mirip secara kebahasaan sebagai relevan dengan pertanyaan. Siapa yang menyetujui sumber-sumber itu? Ungkapan "sumber yang disetujui" tidak boleh dibiarkan kabur. Kita perlu mengetahui:

• Siapa yang memilih sumber itu?
• Otoritas jenis apa yang dimilikinya?
• Apakah ia sumber ilmiah, regulatif, atau komersial?
• Kapan ia diterbitkan atau diperbarui?
• Apakah ia masih berlaku?
• Untuk wilayah, tanaman, dan sistem produksi yang mana ia dapat diterapkan?
• Klaim-klaim apa yang dapat didukungnya?
• Apa yang tidak boleh disimpulkan darinya?

Sebuah artikel ilmiah dapat membantu dalam memahami suatu fenomena atau suatu temuan riset, tetapi ia tidak menetapkan pendaftaran hukum suatu produk. Dan petunjuk penggunaan resmi menetapkan syarat-syarat bagi produk yang terdaftar, tetapi petunjuk itu sendiri tidak membuktikan adanya dampak ekonomi secara umum. Dan sebuah harga yang dipublikasikan di pasar resmi mungkin benar untuk pasar dan tanggal tersebut, tetapi ia tidak selalu sama dengan apa yang diterima seorang petani di wilayah lain setelah pengangkutan dan komisi. Jadi, otoritas sebuah sumber berbeda-beda menurut pertanyaannya. Tiga lapisan tidak selalu memadai Berguna bagi sebuah jawaban untuk membedakan antara apa yang dikatakan sumber, apa yang disimpulkan sistem, dan apa yang menuntut keputusan manusia. Namun dalam keputusan pertanian yang sensitif, lebih baik menyajikan lima lapisan: 1\. Apa yang dipahami sistem dari pertanyaan Misalnya: Saya memahami bahwa Anda bertanya tentang penyebab bercak yang muncul pada daun suatu tanaman tertentu pada fase pertumbuhan tertentu. Ini memberi pengguna kesempatan untuk mengoreksi pemahaman tersebut sebelum jawabannya dibangun. 2\. Apa yang dikatakan sumber Klaim yang didukung oleh sumber disajikan, berikut nama, tanggal, dan cakupan sumber tersebut. 3\. Apa yang dirakit sistem dari beberapa potong informasi Jika sistem memadukan lebih dari satu sumber atau menyimpulkan suatu hubungan, ia harus menyatakan bahwa itu adalah perumusan atau perbandingannya sendiri, bukan kutipan langsung. 4\. Apa yang masih belum diketahui Seperti tidak adanya citra yang jelas, ketiadaan hasil uji, tidak diketahuinya negara, atau belum diverifikasinya apakah dokumen itu masih berlaku. 5\. Apa yang menuntut keputusan manusia atau otoritas yang berwenang Seperti diagnosis akhir, pemilihan bahan yang diatur regulasi, persetujuan dosis, atau pelaksanaan intervensi yang dapat membahayakan tanaman atau manusia. Ini mencegah tercampuraduknya informasi yang didukung bukti dengan inferensi otomatis atau pertimbangan profesional. Pengutipan bukanlah hiasan Pengguna harus mampu memeriksa kutipan itu dan memahami hubungannya dengan jawaban. Kutipan yang baik memperjelas:

• Nama dokumen atau lembaga penerbitnya.
• Tanggal penerbitan atau pembaruan terakhir.
• Bagian yang digunakan.
• Cakupan dokumen.
• Apakah ia resmi, ilmiah, atau komersial.
• Apakah sistem menyalin ulang teks itu, meringkasnya, atau memadukannya dengan sumber lain.

Menempatkan tautan umum setelah sebuah paragraf panjang tidak menunjukkan kalimat mana yang didukung oleh sumber tersebut. Hal itu mungkin memberi jawaban tampilan berdokumentasi tanpa memungkinkan pembaca menelusuri klaimnya. Kaidah: Tidak cukup sumber itu sekadar ada; ia harus relevan dengan pertanyaan, ia harus mendukung kalimat tersebut, dan batas-batas kalimat itu harus tetap berada di dalam batas-batas sumbernya. Apa yang dilakukan sistem ketika ia tidak menemukan dukungan yang memadai? Menahan diri bukanlah kegagalan dialog. Sistem dapat terus membantu pengguna tanpa mengarang jawaban. Ia dapat mengatakan:

• Saya tidak menemukan sumber yang sahih untuk produk ini di negara yang disebutkan.
• Dokumen yang tersedia sudah usang dan tidak memadai untuk menetapkan dosis.
• Citra tersebut tidak memungkinkan kemungkinan-kemungkinan penyebabnya dibedakan.
• Pertanyaan ini memerlukan nama tanaman, fase pertumbuhan, dan lokasi.
• Ada informasi umum, tetapi tidak memadai untuk sebuah rekomendasi perlakuan.
• Diperlukan pemeriksaan spesialis atau sebuah uji sebelum memilih intervensi.

Ia kemudian menawarkan langkah berikutnya yang aman:

• Meminta citra tambahan.
• Menentukan lokasi.
• Memberikan nama produk persis seperti yang tertera pada kemasan.
• Memeriksa status pendaftaran.
• Meninjau petunjuk penggunaan resmi yang berlaku saat ini.
• Menghubungi layanan penyuluhan atau spesialis yang berkualifikasi.

Dengan cara ini, menahan diri tidak menjadi jalan buntu, melainkan jalur yang jelas untuk melengkapi bukti. Contoh arah tindakan yang tidak bertanggung jawab Pengguna bertanya: "Muncul bercak-bercak pada tanaman saya; apa yang harus saya gunakan?" Sistem menjawab secara langsung: "Gunakan produk X dengan dosis sekian dan sekian." Jawaban ini tidak bertanggung jawab karena ia melompat dari sebuah deskripsi umum menuju sebuah bahan dan sebuah dosis tanpa mengetahui:

• Tanamannya.
• Negaranya.
• Diagnosisnya.
• Fase pertumbuhannya.
• Status pendaftarannya.
• Petunjuk penggunaan resminya.
• Tenggang waktu keamanan.
• Apakah ada penyebab lain dari gejala tersebut.
• Kemampuan pengguna untuk melaksanakan perlakuan itu secara aman.

Perumusannya mungkin benar secara kebahasaan, namun ia tidak memiliki landasan untuk pengambilan keputusan. Contoh jawaban yang bertanggung jawab Jawabannya dapat berbunyi: "Informasi yang ada saat ini tidak memadai untuk menentukan penyebab bercak tersebut atau untuk memilih perlakuan. Gejala-gejala ini dapat tumpang tindih antara penyakit, defisiensi hara, cekaman air, dan kerusakan akibat cuaca. Sebutkan nama tanaman dan varietasnya, jika diketahui, negara atau wilayahnya, fase pertumbuhannya, dan di bagian mana gejalanya muncul pada tanaman, serta kirimkan citra yang jelas dari permukaan atas dan bawah daun, juga citra yang menunjukkan seberapa luas masalah itu menyebar di lahan. Saya kemudian dapat membandingkan gejala-gejala tersebut dengan sumber-sumber yang sesuai dan memaparkan kemungkinan-kemungkinannya serta informasi yang belum ada, tetapi menentukan sebuah produk atau sebuah dosis menuntut verifikasi diagnosis, pendaftaran produk untuk tanaman dan organisme pengganggu tersebut di negara tempat penggunaan, dan petunjuk penggunaan resmi yang berlaku saat ini, dan hal itu mungkin menuntut konsultasi dengan seorang spesialis." Jawaban ini tidak sekadar menahan diri; melainkan ia:

• Menjelaskan mengapa informasinya tidak memadai.
• Menunjukkan bahwa lebih dari satu tafsiran dimungkinkan.
• Meminta data yang spesifik.
• Memperjelas apa yang dapat dilakukan sistem.
• Mengidentifikasi apa yang menuntut sumber resmi atau seorang spesialis.
• Mencegah kefasihan berbahasa berubah menjadi otoritas terapeutik yang tidak berdasar.

Contoh lain: sebuah pertanyaan tentang harga Jika seorang petani bertanya: "Berapa harga hasil panen saya hari ini?" tidak cukup bagi sistem untuk mengambil sebuah angka yang memuat nama tanaman tersebut. Ia harus mengetahui:

• Negara, wilayah, dan pasarnya.
• Tanggal harga itu, dan waktunya apabila diperlukan.
• Mata uangnya.
• Satuan penjualannya.
• Varietasnya.
• Tingkat mutunya.
• Apakah harga itu grosir, eceran, atau di tingkat petani.
• Apakah harga itu sudah termasuk pengangkutan atau komisi.
• Entitas mana yang menerbitkannya?

Dan jawaban yang bertanggung jawab tidak mengatakan: "Harganya sekian dan sekian." Melainkan ia mengatakan, misalnya: "Saya menemukan harga yang dipublikasikan di pasar yang disebutkan pada tanggal sekian dan sekian, untuk satuan dan tingkat mutu yang disebutkan. Harga yang diterima petani dapat berbeda bergantung pada mutu, pengangkutan, dan komisi, dan saya belum memverifikasi adanya transaksi lokal di lahan pertanian Anda." Ini memperjelas bahwa pengambilan menghasilkan informasi pasar yang spesifik, bukan "harga riil" di mana pun. Penerjemahan itu sendiri menuntut tata kelola Sebuah model bahasa dapat digunakan untuk menerjemahkan label produk atau panduan pertanian. Namun terjemahan yang fasih dapat menyembunyikan kekeliruan dalam:

• Satuan pengukuran.
• Penyangkalan.
• Masa tunggu.
• Nama organisme pengganggu.
• Tanaman yang terdaftar.
• Derajat kewajiban.
• Peringatan.
• Yurisdiksi hukum.

Karena itu, terjemahan mesin atas sebuah dokumen keselamatan tidak boleh menjadi otoritas alternatif bagi teks resmi. Sistem dapat membantu pemahaman, tetapi rujukan aslinya harus dipertahankan, sumber dan versinya ditampilkan, serta terminologi yang sensitif ditinjau sebelum penerapan. Bagaimana kita mengevaluasi sistem tersebut? Tidak cukup menilai mutu gaya bahasa atau kepuasan pengguna. Setiap langkah dalam rangkaian alur harus diuji: Memahami pertanyaan

• Apakah sistem mengenali tanaman, lokasi, dan makna yang dimaksud?
• Apakah ia meminta informasi yang tidak tersedia?

Pengambilan

• Apakah ia menemukan sumber yang sesuai?
• Apakah ia mengecualikan sumber yang usang atau tidak bersifat lokal?
• Apakah ia mengambil bagian yang menjawab pertanyaan tersebut?

Perumusan

• Apakah jawabannya berpegang pada apa yang dinyatakan sumber?
• Apakah ia menambahkan klaim yang tidak didukung?
• Apakah ia mempertahankan batasan dan ketidakpastian?

Perujukan

• Dapatkah pembaca mengakses sumber tersebut?
• Apakah sumber itu benar-benar mendukung kalimat tersebut?
• Apakah tanggal dan status dokumen ditampilkan?

Keselamatan

• Apakah sistem menahan diri untuk tidak memberikan dosis atau diagnosis ketika buktinya tidak memadai?
• Apakah ia menjelaskan kapan seorang spesialis atau otoritas regulator harus dikonsultasikan?
• Apakah ia mencegah informasi umum diubah menjadi instruksi yang dapat dilaksanakan?

Penerapan pertanian

• Apakah jawaban itu berlaku untuk tanaman, lokasi, dan waktunya?
• Dapatkah pengguna memahaminya dan melaksanakannya?
• Apakah tanggung jawab manusia tetap jelas?

Sistem bisa saja berhasil menemukan dokumen yang benar, lalu gagal menafsirkannya. Ia bisa merumuskan jawaban yang setia terhadap suatu bagian teks yang tidak sesuai. Ia bisa memberikan rujukan yang asli bagi sebuah kalimat yang tidak didukung oleh sumber tersebut. Karena itu, seluruh rangkaian alur harus dievaluasi, bukan model itu sendiri secara terpisah. Bagi pembaca tingkat lanjut: pengambilan mengurangi ketergantungan model pada apa yang telah dipelajarinya sebelumnya, tetapi ia memindahkan sebagian risiko kepada mutu indeks, pemahaman pertanyaan, pemeringkatan hasil, keabsahan dokumen, dan penghasilan teks yang disiplin. Karena itu, keberhasilan rangkaian alur tersebut tidak diukur dari sekadar hadirnya sebuah sumber dalam jawaban, melainkan dari kesahihan hubungan antara pertanyaan, sumber, klaim, konteks, dan keputusan. Peran Bab Tujuh Rujukan kepada Bab Tujuh boleh dipertahankan, tetapi lebih baik menjelaskan apa yang akan ditambahkannya: Bab Tujuh akan membahas secara lebih terperinci bagaimana membangun sistem pendukung keputusan dan pengambilan pengetahuan, menata sumber, membatasi pencarian menurut konteks, menampilkan rujukan, serta mencegah teks yang diambil berubah menjadi rekomendasi yang melampaui kewenangannya. Hal ini memberi rujukan tersebut fungsi yang jelas, alih-alih membiarkannya sekadar sebagai janji informasi yang akan datang. Kesimpulan Sebuah model bahasa dapat mempermudah akses terhadap pengetahuan: ia mengubah pertanyaan sehari-hari menjadi pencarian, mengumpulkan bagian-bagian teks, meringkasnya, dan merumuskan jawaban yang dapat dipahami. Namun kefasihan berbahasa tidak mempersingkat jalur ilmiah dan regulatif antara pertanyaan dan keputusan. Karena itu, sistem yang bertanggung jawab harus mengetahui:

• Apa yang ia pahami dari pertanyaan tersebut.
• Informasi apa yang tidak dimilikinya.
• Di mana ia mencari.
• Mengapa ia memilih sumber tersebut.
• Apakah sumber itu mutakhir dan sahih untuk konteksnya.
• Apa yang ia ambil dari sumber tersebut.
• Apa yang ia simpulkan.
• Di mana perannya berakhir.
• Dan kapan ia harus menahan diri atau mengeskalasi keputusan kepada seorang manusia.

Pesan bagian ini dapat diringkas dalam pernyataan berikut: Sebuah model bahasa dapat menjadi gerbang menuju pengetahuan, tetapi ia tidak menjadi sumber hanya karena ia berbicara dengan fasih, dan ia juga tidak menjadi pengambil keputusan hanya karena ia menemukan teks yang dekat dengan pertanyaan. Pernyataan penutup yang diusulkan adalah: Jawaban yang tepercaya tidak sekadar tampak benar; ia mengungkapkan sumbernya, batas keberlakuannya, apa yang tidak tersedia, dan siapa yang berwenang mengubahnya menjadi tindakan.

9. Kecerdasan Buatan yang Dapat Dijelaskan

Ketika sistem menghasilkan sebuah keluaran, muncul pertanyaan yang wajar: Mengapa ia menghasilkan keluaran ini? Model bisa saja memprediksi penurunan hasil panen, menaikkan tingkat kecurigaan terhadap suatu penyakit, menerbitkan peringatan tentang cekaman air, atau menggolongkan sebuah buah ke dalam kelas mutu tertentu. Namun keluaran itu sendiri tidak memberi tahu pengguna informasi apa yang menjadi sandaran sistem, ataupun apakah informasi tersebut lengkap atau dapat diandalkan. Perangkat kecerdasan buatan yang dapat dijelaskan berupaya membantu pengguna memahami hubungan antara data yang dimasukkan ke dalam model dan keluaran yang dihasilkannya. Perangkat itu dapat menunjukkan, misalnya:

• bahwa kelembapan tanah yang rendah termasuk di antara faktor-faktor yang berasosiasi dengan perkiraan risiko cekaman yang lebih tinggi.
• bahwa suhu yang diramalkan memengaruhi perkiraan kebutuhan irigasi.
• bahwa kultivar dan fase pertumbuhan muncul di antara faktor-faktor yang berasosiasi dengan prediksi hasil panen.
• bahwa bagian tertentu dari citra daun berasosiasi dengan penggolongannya sebagai mencurigakan.
• bahwa tidak adanya pembacaan sensor, atau perubahan pada pembacaan itu, memengaruhi keyakinan sistem.
• bahwa keluaran tersebut berada dekat dengan ambang yang memisahkan dua kelas.

Namun perangkat-perangkat ini tidak menjawab setiap makna dari kata "mengapa". Umumnya perangkat itu menjelaskan mengapa model menghasilkan keluaran ini menurut perhitungannya, tetapi tidak serta-merta menetapkan mengapa fenomena tersebut terjadi di lapangan. Tiga pertanyaan berbeda tersembunyi di dalam kata "mengapa" Ketika pengguna bertanya "mengapa?", ia mungkin memaksudkan salah satu dari tiga pertanyaan: 1\. Mengapa model menghasilkan keluaran ini? Ini adalah pertanyaan tentang perilaku model. Jawabannya mungkin: Model menaikkan perkiraan risiko karena pembacaan kelembapan menurun, suhu yang diramalkan meningkat, dan tidak ada pembacaan terbaru yang tiba dari salah satu sensor. Jawaban ini menunjukkan informasi apa yang digunakan model. 2\. Mengapa fenomena pertanian itu terjadi? Ini adalah pertanyaan tentang realitas pertanian. Jawaban yang mungkin adalah: Barangkali kelembapan menurun karena kebutuhan air meningkat, atau karena irigasi tidak menjangkau sektor tersebut dengan baik, atau karena masalah tanah, atau karena kekeliruan sensor. Perangkat interpretasi model semata tidak dapat menentukan mana di antara sebab-sebab ini yang benar. Kenyataan bahwa model menggunakan pembacaan kelembapan tidak membuktikan sebab penurunannya, dan juga tidak membuktikan bahwa tanaman benar-benar mengalami cekaman. 3\. Mengapa kita harus melakukan tindakan ini? Ini adalah pertanyaan tentang keputusan. Sekalipun peringatan model masuk akal, tidak dengan sendirinya berarti bahwa tindakan yang benar adalah menambah irigasi. Sensor bisa saja rusak, hujan bisa saja diperkirakan turun, masalahnya bisa saja terletak pada air yang hanya menjangkau area terbatas, atau fase pertumbuhan tanaman bisa saja berbeda dari yang diasumsikan sistem. Jadi, harus dibedakan antara: menjelaskan keluaran model ← menjelaskan situasi pertanian ← membenarkan tindakan Dan berpindah dari satu tingkat ke tingkat berikutnya menuntut data dan bukti tambahan. Untuk siapa penjelasan itu ditujukan? Tidak ada satu penjelasan tunggal yang cocok untuk semua pengguna. Setiap pihak membutuhkan tingkat yang berbeda. Pengembang ingin mengetahui:

• Apakah model bersandar pada data yang sahih?
• Apakah ia mempelajari jalan pintas yang keliru?
• Apakah ia memusatkan perhatian pada latar citra alih-alih pada tanamannya?
• Apakah perilakunya berubah setelah pemutakhiran data?
• Apakah keluarannya stabil di bawah perubahan kecil pada masukan?

Spesialis pertanian ingin mengetahui:

• Apakah faktor-faktor yang digunakan model bermakna secara agronomis?
• Apakah ia mengabaikan suatu variabel penting?
• Apakah ia mencampuradukkan hubungan statistik dengan sebab agronomis?
• Apakah hasilnya masuk akal untuk kultivar, musim, dan lokasi ini?
• Pengukuran atau pengujian apa yang dapat mengonfirmasi atau menyanggahnya?

Petani atau operator membutuhkan jawaban yang praktis:

• Apa yang dikatakan sistem?
• Informasi apa yang mendasari hasil tersebut?
• Apakah informasi ini mutakhir dan dapat diandalkan?
• Apa yang tidak diketahui sistem?
• Apa langkah aman berikutnya?

Peninjau atau otoritas yang bertanggung jawab membutuhkan catatan yang dapat diaudit:

• Apa versi modelnya?
• Data apa yang tersedia pada saat keputusan diambil?
• Aturan atau batas apa yang diterapkan?
• Apakah seorang manusia menganulir hasil tersebut? Mengapa?
• Apakah sumber atau sensor itu sahih pada saat tersebut?

Visualisasi yang cocok bagi peneliti atau pengembang bisa jadi tidak berguna bagi pekerja yang harus mengambil tindakan dalam hitungan menit. Karena itu, penjelasan harus dirancang untuk orang dan keputusannya, bukan hanya untuk apa yang mampu ditampilkan perangkat tersebut. Dua jenis penjelasan Dua tingkat utama dapat dibedakan: Penjelasan atas satu kasus tunggal Ia berupaya menjawab pertanyaan: Mengapa sistem memberikan hasil ini sekarang, untuk citra ini atau lahan pertanian ini? Ia dapat menunjukkan bahwa kelembapan tanah dan suhu merupakan dua faktor yang paling kuat berasosiasi dengan suatu peringatan tertentu, atau bahwa sebagian dari citra daun berasosiasi dengan penggolongannya. Penjelasan ini berguna untuk meninjau suatu kasus tertentu, tetapi ia tidak serta-merta menggambarkan perilaku model dalam semua kasus. Penjelasan atas perilaku umum model Ia berupaya menjawab pertanyaan-pertanyaan seperti:

• Jenis informasi apa yang biasanya menjadi sandaran model?
• Apakah prediksi hasil panen meningkat atau menurun seiring perubahan suatu variabel tertentu?
• Apakah perilakunya berbeda antarkultivar atau antarwilayah?
• Variabel mana yang sering muncul di antara faktor-faktor yang berpengaruh?
• Apakah ia melemah ketika suatu jenis data tidak tersedia?

Tingkat ini membantu memahami model pada sekumpulan besar kasus, tetapi dengan sendirinya ia tidak menjelaskan sebuah keputusan individual. Model bisa saja secara umum bersandar pada cuaca dan tanah, sementara hasil untuk suatu lahan pertanian tertentu terutama dipengaruhi oleh pembacaan yang tidak biasa dari satu sensor. Karena itu, penjelasan umum tidak boleh digunakan sebagai pengganti penjelasan kasus, atau sebaliknya. Dalam bentuk apa penjelasan dapat disajikan? Ada beragam cara untuk menyajikan penjelasan, dan masing-masing memiliki makna serta batasnya sendiri. 1\. Menampilkan faktor-faktor yang berasosiasi dengan hasil Sistem dapat menampilkan daftar seperti:

• Kelembapan tanah rendah: menaikkan perkiraan risiko.
• Suhu ramalan tinggi: menaikkan perkiraan.
• Peluang hujan: menurunkan perkiraan.
• Tidak ada pembacaan terbaru: menurunkan keyakinan.

Daftar ini menunjukkan bagaimana model memperlakukan informasi tersebut, tetapi ia tidak membuktikan bahwa faktor-faktor ini menyebabkan kondisi pertanian tersebut. 2\. Menyorot sebagian citra Sebuah perangkat keterjelasan dapat mewarnai bagian-bagian citra daun untuk menunjukkan area yang paling kuat berasosiasi dengan hasilnya. Hal ini dapat membantu mengungkap bahwa model memusatkan perhatian pada:

• Bercak yang relevan.
• Tepi daun.
• Latar citra.
• Label yang diletakkan di samping tanaman.
• Bayangan atau pantulan yang tidak berkaitan dengan kondisi tersebut.

Namun area yang diwarnai itu tidak berarti bahwa model "melihat penyakit" sebagaimana seorang spesialis melihatnya, dan juga tidak membuktikan bahwa bagian yang disorot itulah yang menyebabkan penggolongan tersebut. Ia adalah tanda adanya hubungan komputasional di dalam model yang menuntut penafsiran secara hati-hati. 3\. Membandingkan hasil dengan kasus serupa Sistem dapat menyatakan: Kasus ini menyerupai contoh-contoh terdahulu yang digolongkan dalam kategori yang sama. Perbandingan tersebut membantu pengguna melihat dasar kemiripannya. Namun pengguna sebaiknya mengetahui:

• Apakah contoh-contoh terdahulu itu terdokumentasi?
• Apakah semuanya berasal dari tanaman, kultivar, dan lingkungan yang serupa?
• Apakah kemiripannya terletak pada gejalanya, atau pada latar dan pencahayaannya?
• Adakah contoh serupa yang justru menghasilkan hasil yang berbeda?

4\. Menyatakan apa yang akan mengubah hasil Perangkat tersebut dapat menyatakan: Seandainya pembacaan kelembapan lebih tinggi dalam perhitungan model, perkiraan risikonya akan lebih rendah. Ini menunjukkan kepekaan model terhadap perubahan pada masukan, tetapi tidak membuktikan bahwa benar-benar menaikkan kelembapan akan mencegah risiko tersebut di lapangan. Ia menggambarkan perubahan dalam perhitungan model, bukan efek dari intervensi pertanian yang nyata. Di sini pun perbedaan itu kembali tampak antara: Apa yang mengubah hasil model? dan: Apa yang mengubah realitas pertanian? Interpretasi bisa jadi sebuah pendekatan, bukan pengungkapan menyeluruh Sebagian model relatif sederhana, dan cara perhitungannya dapat ditelusuri secara langsung. Namun pada sebagian model yang rumit, digunakan perangkat lain setelah hasilnya dihasilkan untuk berupaya mendekati alasan-alasan di baliknya. Dalam kasus kedua, interpretasi tersebut bukanlah jendela yang lengkap terhadap segala sesuatu yang terjadi di dalam model. Ia bisa jadi merupakan penyederhanaan atau pendekatan atas perilaku model tersebut. Karena itu, interpretasi itu sendiri harus diuji:

• Apakah ia berubah besar apabila data berubah hanya sedikit?
• Apakah ia memberikan interpretasi yang serupa untuk hasil-hasil yang bertentangan?
• Apakah ia benar-benar mencerminkan apa yang digunakan model?
• Dapatkah ia membedakan faktor yang penting dari faktor yang sekadar berasosiasi dengannya?
• Apakah interpretasi itu tetap stabil setelah model dimutakhirkan?

Jadi, apabila daftar "faktor-faktor terpenting" berubah secara radikal setelah suatu perubahan kecil yang tidak mengubah hasilnya, interpretasi tersebut bisa jadi tidak stabil, sekalipun grafiknya tampak meyakinkan. Faktor-faktor yang saling berasosiasi Data dapat mengandung variabel-variabel yang bergerak bersama, seperti:

• Suhu dan penguapan.
• Musim dan panjang hari.
• Jenis tanah dan drainase.
• Luas lahan pertanian dan jenis peralatan.
• Pengalaman dan mutu pencatatan.

Ketika variabel-variabel berkorelasi kuat, perangkat keterjelasan dapat membagi tingkat kepentingan di antara variabel-variabel itu dengan cara yang berbeda-beda. Salah satunya bisa muncul di peringkat atas padahal variabel yang lain membawa informasi yang serupa. Karena itu, pemeringkatan faktor tidak boleh dibaca sebagai pemeringkatan sebab-sebab agronomis yang tetap. Seorang spesialis mungkin perlu memeriksa hubungan di antara faktor-faktor tersebut, dan apakah model menggunakan yang satu sebagai pengganti yang lain. Batas-batas dasar keterjelasan Keterjelasan memiliki batas-batas yang harus tetap terlihat:

• Ia menggambarkan apa yang digunakan model, dan tidak serta-merta menetapkan apa yang menyebabkan fenomena tersebut di lapangan.
• Ia bisa jadi merupakan pendekatan atas perilaku model, bukan deskripsi lengkap tentang cara model menghitung.
• Ia tidak mengubah model yang keliru menjadi model yang benar.
• Ia tidak menutupi kekurangan data atau pengukuran yang rusak.
• Ia tidak membuktikan bahwa data pelatihan mewakili lahan pertanian yang baru.
• Ia tidak membuktikan bahwa probabilitasnya terkalibrasi atau bahwa hasilnya akurat.
• Ia tidak dengan sendirinya membenarkan tindakan yang diusulkan.
• Ia bisa tampak meyakinkan bahkan ketika kasus tersebut berada di luar rentang apa yang telah dipelajari model.
• Ia bisa berubah apabila digunakan perangkat keterjelasan yang berbeda.
• Ia bisa menyembunyikan ketidakstabilan di balik grafik yang jernih dan menarik.

Jadi, keterjelasan adalah alat untuk penelaahan dan akuntabilitas, bukan sertifikat validasi. Keterjelasan tidak memperbaiki kesalahan data Andaikan sebuah sensor kelembapan tanah tidak mengirimkan pembacaan terbaru, sehingga sistem menggunakan pembacaan tersimpan terakhir dari enam jam sebelumnya. Sebuah perangkat keterjelasan dapat menunjukkan bahwa kelembapan merupakan faktor penting dalam hasil tersebut, tetapi ia tidak membuat pembacaan lama itu menjadi mutakhir. Demikian pula, apabila citra pelatihan tidak mewakili suatu kultivar atau wilayah tertentu, sistem bisa saja menjelaskan hasil untuk citra yang baru, tetapi penjelasan itu tidak membuktikan bahwa model tersebut sahih untuk lingkungan itu. Keterjelasan hendaknya menyajikan mutu data berdampingan dengan pengaruhnya, seperti:

• Waktu pembacaan terakhir.
• Adanya nilai-nilai yang hilang.
• Status kalibrasi sensor.
• Sumber data.
• Seberapa dekat kemiripan kasus tersebut dengan data pelatihan.
• Apakah hasilnya berada dalam rentang tempat model diuji.

Sebuah faktor yang berpengaruh tidak berguna apabila nilainya sendiri tidak dapat diandalkan. Keterjelasan tidak membuktikan kausalitas Apabila sistem menunjukkan bahwa kelembapan merupakan faktor yang berpengaruh dalam prediksi hasil panen, hal itu berarti model menggunakan informasi kelembapan ketika menghitung hasilnya. Namun hal itu tidak membuktikan bahwa mengubah kelembapan saja akan mengubah hasil panen dengan besaran yang sama. Kelembapan dapat berasosiasi dengan faktor-faktor lain, seperti:

• Jenis tanah.
• Sistem irigasi.
• Cuaca.
• Fase pertumbuhan.
• Pengelolaan lahan.
• Kultivar.

Untuk menentukan efek dari suatu intervensi tertentu, kita membutuhkan sebuah eksperimen atau rancangan kausal, disertai pengetahuan agronomis yang memadai, sebagaimana dijelaskan pada bagian sebelumnya. Sebuah kaidah utama: keterjelasan model memberi tahu kita bagaimana perhitungannya berubah, bukan bagaimana lahan pertanian pasti akan berubah apabila kita mengubah salah satu masukannya. Batas-batas penyimpulan dari studi prediksi hasil panen Studi prediksi hasil panen [SRC006] memberikan contoh penggunaan model regresi dengan perangkat yang membantu menafsirkan hasilnya dalam suatu latar penelitian tertentu. Studi tersebut dapat digunakan untuk memahami:

• Jenis data yang dimasukkan ke dalam model-model itu.
• Metode prediksi yang digunakan dalam studi tersebut.
• Bagaimana perangkat keterjelasan diterapkan dalam latar tersebut.
• Hasil-hasil yang dilaporkan para peneliti dalam batas data dan rancangan studi mereka.

Namun pemeringkatan variabel atau tingkat kepentingannya dalam studi tersebut tidak boleh diubah menjadi kaidah kausal umum bagi setiap lahan pertanian. Apabila suatu variabel tertentu tampak berpengaruh dalam prediksi model, hal itu tidak membuktikan:

• bahwa ia merupakan sebab utama hasil panen di semua lingkungan.
• bahwa mengubah variabel ini akan menghasilkan efek yang sama di lahan pertanian lain.
• bahwa pemeringkatan faktor-faktor itu akan tetap stabil pada varietas atau musim yang lain.
• bahwa model tersebut cocok untuk memberikan rekomendasi intervensi secara langsung.
• bahwa hasil komputasional itu menyiratkan dampak ekonomi atau dampak lapangan secara umum.

Simpulan yang diperkenankan tetap berada dalam batas studi dan latar evaluasi yang digunakannya. Apa yang dibutuhkan petani dari penjelasan? Penjelasan yang berguna bagi petani tidak dimulai dengan diagram teknis atau daftar variabel yang panjang. Sebaliknya, ia menjawab enam pertanyaan:

1. Apa hasilnya?

Apa persisnya yang dikatakan sistem?

2. Informasi apa yang menjadi sandarannya?

Pembacaan, citra, atau catatan mana yang memengaruhi hasil tersebut?

3. Bagaimana kondisi informasi ini?

Apakah ia mutakhir, lengkap, dan terkalibrasi, ataukah ada pembacaan yang lama atau hilang?

4. Berapa derajat ketidakpastiannya?

Apakah hasilnya jelas, dekat dengan ambang, atau di luar rentang pengalaman model?

5. Apa yang tidak ditetapkan oleh penjelasan tersebut?

Apakah hasilnya merupakan peringatan awal, sebuah diagnosis, atau sekadar sebuah prediksi?

6. Apa langkah aman berikutnya?

Pengukuran, pemeriksaan, atau peninjauan apa yang diperlukan sebelum mengubah keputusan?

Dengan cara ini, penjelasan menjadi alat kerja, bukan tampilan teknis yang terlepas dari keputusan. Membingkai ulang contoh tersebut Alih-alih mengatakan: "Risiko cekaman air meningkat karena kelembapan lapisan permukaan menurun selama tiga hari dan suhu yang diramalkan meningkat..." —suatu perumusan yang dapat dipahami sebagai bukti kausal—kita dapat mengatakan: "Sistem menaikkan perkiraannya atas probabilitas cekaman air karena pembacaan kelembapan lapisan permukaan menurun selama tiga hari terakhir, dan karena ramalan suhu meningkat. Namun sensor di sektor 4 tidak mengirimkan pembacaan baru selama enam jam, sehingga perkiraan tersebut mungkin didasarkan pada data yang tidak lengkap. Sebelum menyesuaikan jadwal irigasi, periksa sensor tersebut, lakukan pengukuran independen dari sektor itu, dan bandingkan hasilnya dengan sektor tetangga yang kondisinya serupa." Perumusan ini memperjelas:

• bahwa yang dibicarakan adalah perkiraan model, bukan sebab yang terkonfirmasi.
• data mana yang memengaruhi perkiraan tersebut.
• bahwa salah satu masukan data tidak lengkap.
• bagaimana ketidaklengkapan itu memengaruhi keyakinan.
• apa langkah berikutnya.
• bahwa penyesuaian irigasi tidak diubah menjadi perintah otomatis.

Sebuah contoh dari citra daun Sistem dapat menyatakan: "Model menggolongkan citra tersebut sebagai kasus yang dicurigai, dan hasil itu terutama berasosiasi dengan bercak-bercak di dekat tepi daun. Namun citra tersebut tidak menampilkan sisi bawahnya, dan model tidak membedakan secara meyakinkan antara kemungkinan penyakit dan defisiensi hara. Kirimkan citra yang lebih jernih dari kedua sisi, dan nyatakan di bagian mana gejala itu muncul pada tanaman serta bagaimana sebarannya di lahan sebelum beranjak ke diagnosis atau perlakuan." Penjelasan ini lebih baik daripada peta berwarna semata, karena ia menunjukkan:

• Di mana model memusatkan perhatian.
• Kemungkinan-kemungkinan mana yang saling tumpang-tindih.
• Informasi apa yang tidak tersedia.
• Apa langkah berikutnya.
• Bahwa penggolongan itu bukanlah diagnosis akhir.

Sebuah contoh dari prediksi hasil panen Sistem dapat menyatakan: "Hasil panen yang diprediksi berada di bawah rerata historis lahan pertanian ini. Di dalam model, faktor-faktor yang paling kuat berasosiasi dengan prediksi yang lebih rendah itu adalah penanaman yang tertunda, kelembapan tanah yang rendah selama periode tertentu, dan ramalan suhu yang lebih tinggi. Namun catatan tersebut tidak memuat informasi yang lengkap tentang perlakuan terakhir, dan model belum diuji di lahan pertanian ini selama musim yang teramat panas. Karena itu, hasilnya harus diperlakukan sebagai skenario perencanaan, bukan sebagai nilai yang terjamin." Perumusan ini mencegah penjelasan tersebut diubah menjadi:

• Sebuah sebab yang terkonfirmasi.
• Sebuah janji hasil panen.
• Sebuah rekomendasi intervensi.
• Sebuah generalisasi di luar cakupan pengujian.

Kapan penjelasan itu tidak memadai? Penjelasan semata tidak boleh menjadi sandaran ketika:

• Data kritis tidak tersedia atau sudah usang.
• Kasus tersebut berada di luar tanaman atau varietas yang di atasnya model diuji.
• Hasilnya dekat dengan ambang keputusan.
• Beberapa sensor saling bertentangan.
• Potensi kesalahannya berkaitan dengan keselamatan manusia atau hewan.
• Keputusan itu mengarah pada suatu dosis atau bahan yang diatur regulasi.
• Sistem mengendalikan sebuah mesin yang bergerak.
• Pengguna tidak dapat memeriksa penjelasan itu atau sumbernya.
• Penjelasan itu berubah secara radikal dengan perubahan kecil pada data.
• Terdapat jurang antara apa yang dijelaskan model dan apa yang perlu ditetapkan oleh keputusan tersebut.

Dalam kasus-kasus ini, penjelasan seharusnya mengarah pada pemeriksaan atau eskalasi, bukan sekadar pada keyakinan yang lebih besar. Pertanyaan-pertanyaan praktis untuk mengevaluasi penjelasan Pembaca atau pembeli dapat bertanya:

• Apakah sistem menjelaskan hasil dari satu kasus tunggal, ataukah perilaku umumnya?
• Apakah ia memperjelas data mana yang menjadi sandarannya, dan berasal dari kapan data itu?
• Apakah ia menampilkan data yang hilang atau tidak dapat diandalkan?
• Apakah penjelasan itu merupakan deskripsi langsung atas model, ataukah suatu pendekatan yang dihasilkan perangkat lain?
• Apakah penjelasan itu berubah dengan perubahan kecil pada masukan?
• Apakah pengembang telah menelaah kemungkinan bahwa model bersandar pada latar atau pada perangkatnya?
• Apakah sistem membedakan korelasi dari kausalitas?
• Apakah ia memperjelas rentang tanaman, lokasi, dan musim tempat ia diuji?
• Dapatkah pengguna memahami penjelasan itu tanpa keahlian pemrograman?
• Apakah penjelasan itu mengarah pada langkah yang aman dan dapat dilaksanakan?
• Dapatkah seorang manusia menggugat hasil tersebut atau menganulirnya?
• Apakah data dan versi yang menghasilkan penjelasan itu disimpan untuk peninjauan di kemudian hari?

Bagi pembaca tingkat lanjut: penjelasan hendaknya dievaluasi dari seberapa setia ia merepresentasikan perilaku model, seberapa stabil ia bertahan di bawah perubahan-perubahan kecil, seberapa mudah ia dipahami, dan seberapa baik ia cocok dengan pengguna dan keputusannya. Sebuah model yang lebih sederhana dan lebih jernih bisa jadi lebih baik untuk keputusan yang sensitif dibandingkan model yang skornya sedikit lebih tinggi pada suatu metrik laboratorium tetapi menuntut penjelasan aproksimatif yang tidak stabil. Kesimpulan Kecerdasan buatan yang dapat dijelaskan tidak membuat model menyadari alasan-alasannya, tidak mengubah hubungan statistik menjadi sebab agronomis, dan tidak dengan sendirinya memberikan legitimasi pada keputusan. Perannya yang terbaik adalah membantu kita bertanya:

• Informasi apa yang digunakan model?
• Apakah informasi itu akurat dan mutakhir?
• Apakah ia memusatkan perhatian pada apa yang seharusnya menjadi pusat perhatiannya?
• Apa yang tidak diperhitungkannya?
• Apa batas-batas keyakinannya?
• Dan apa yang harus diverifikasi sebelum mengambil tindakan?

Pesan bagian ini dapat diringkas dalam ungkapan berikut: Penjelasan yang baik tidak sekadar memberi tahu kita mengapa angka itu keluar sebagaimana adanya; ia mengungkapkan data yang menghasilkannya, batas-batas yang membatasinya, dan langkah yang mencegahnya berubah menjadi keputusan yang buta.

10. Sistem Pertanian Cerdas adalah Sistem Terpadu, Bukan Model yang Berdiri Sendiri

Ketika kita mengatakan bahwa sebuah lahan pertanian menggunakan "model irigasi cerdas" atau "sistem deteksi penyakit cerdas", pembaca mungkin membayangkan satu program tunggal yang menerima data lalu mengeluarkan keputusan. Namun sistem pertanian yang bermanfaat pada umumnya tidak bekerja dengan cara yang disederhanakan seperti itu. Sistem-sistem itu lebih menyerupai sebuah rantai yang saling terhubung: bermula dari pengukuran apa yang terjadi di lahan, melewati pemeriksaan dan analisis data serta perbandingannya dengan kendala-kendala pertanian, dan berakhir dengan menyajikan rekomendasi kepada seorang manusia atau dengan melaksanakan tindakan otomatis dalam batas-batas yang ditentukan. Karena itu, ia digambarkan sebagai sistem hibrida: ia tidak bersandar pada satu jenis kecerdasan buatan saja, dan tidak menyerahkan keputusan kepada model yang berdiri sendiri. Sebaliknya, ia memadukan sensor, model yang dilatih dengan data, aturan yang ditetapkan oleh para ahli, perangkat untuk memilih di antara alternatif, peralatan, dan manusia yang bertanggung jawab atas keputusan. Sistem terpadu ini dapat terdiri atas lapisan-lapisan berikut:

1. Pengumpulan informasi:

Rantai ini bermula dari sensor yang mengukur kelembapan atau suhu tanah, atau dari citra yang diambil oleh telepon genggam atau pesawat nirawak, atau dari catatan tempat pekerja mencatat apa yang terjadi di lahan. Lapisan ini tidak memberikan keputusan; ia menyampaikan gambaran parsial tentang kenyataan, yang boleh jadi akurat atau tidak lengkap, atau terpengaruh oleh kerusakan perangkat atau oleh metode pengukuran.

2. Pemeriksaan mutu data:

Sebelum sistem menggunakan sebuah pembacaan, ia memeriksa apakah pembacaan itu masuk akal. Jika sensor kelembapan melaporkan lonjakan mendadak yang tidak sesuai dengan curah hujan atau irigasi, atau sebuah perangkat berhenti mengirim data, atau sebagian pembacaan datang dalam satuan yang berbeda, nilai-nilai tersebut tidak boleh diteruskan ke bagian sistem lainnya seolah-olah merupakan fakta yang dapat diandalkan. Sistem dapat mengecualikannya, menurunkan tingkat keyakinannya terhadapnya, atau meminta agar perangkat itu diperiksa.

3. Pembentukan perkiraan atau prakiraan:

Sebuah model analitis menggunakan data yang tersedia untuk memperkirakan suatu kondisi yang tidak dapat diukur secara langsung, atau untuk memprakirakan apa yang mungkin terjadi kemudian. Ia dapat memperkirakan probabilitas sebuah tanaman terserang penyakit dari sebuah citra, memprakirakan perubahan kelembapan tanah pada jam-jam mendatang, atau memperkirakan volume kebutuhan air pada hari berikutnya. Keluaran ini tetaplah sebuah perkiraan, yang ditentukan oleh mutu data dan batas-batas dari apa yang telah dipelajari model tersebut.

4. Penerapan aturan pertanian dan regulasi:

Tidak setiap hasil prediksi diubah menjadi rekomendasi otomatis. Mungkin ada aturan yang mencegah irigasi ketika kecepatan angin melampaui ambang tertentu, atau mencegah penyaranan suatu bahan yang tidak terdaftar untuk tanaman atau wilayah tersebut, atau mengharuskan kasus itu dirujuk kepada spesialis ketika diagnosisnya tidak konklusif. Aturan-aturan ini tidak selalu dipelajari dari data; semua itu ditetapkan untuk melindungi tanaman, pekerja, dan lingkungan, serta untuk mematuhi instruksi resmi.

5. Penimbangan alternatif yang tersedia:

Jika tersedia beberapa rencana yang mungkin, sistem menggunakan perangkat komputasi untuk membandingkannya dan memilih rencana yang paling sesuai dalam batas-batas kendala. Ia dapat, misalnya, berupaya mendistribusikan kuantitas air yang terbatas di antara beberapa sektor sembari memperhitungkan kebutuhan tanaman, kapasitas pompa, jam operasi, dan biaya energi. Di sini, "paling sesuai" tidak berarti bahwa ada solusi ideal yang mutlak; ia berarti solusi terbaik berdasarkan tujuan dan kendala yang dimasukkan ke dalam sistem.

6. Penyajian hasil, dasarnya, dan batas-batasnya:

Antarmuka seharusnya menjelaskan kepada pengguna apa yang diusulkan sistem, data apa yang menjadi sandarannya, seberapa besar tingkat keyakinannya, dan kendala atau pembacaan yang hilang apa yang mungkin memengaruhi hasilnya. Sebuah tabel yang berbunyi "Jalankan irigasi selama dua jam" kurang bermanfaat dan kurang aman dibandingkan tampilan yang menetapkan sektor yang dimaksud, alasan rekomendasi, waktu pengukuran, status sensor, dan apakah rencana itu memerlukan persetujuan.

7. Tinjauan atau pelaksanaan:

Pada sebagian sistem, petani atau penyelia meninjau rekomendasi sebelum dilaksanakan. Pada sistem lain, perintah dapat dikirim secara otomatis ke pompa atau katup, tetapi dalam batas-batas operasi dan keselamatan yang ditetapkan sebelumnya. Manusia harus tetap memegang kewenangan untuk menghentikan sistem atau membatalkan keputusannya ketika mereka melihat sesuatu yang tidak tertangkap oleh data.

Mari kita tinjau contoh irigasi. Prosesnya dapat bermula dari pembacaan kelembapan tanah, data cuaca, dan fase pertumbuhan tanaman. Sistem pertama-tama memeriksa pembacaan untuk memastikan bahwa sensor berfungsi dan satuan pengukurannya benar. Ia kemudian menggunakan model yang melacak perubahan kelembapan dari waktu ke waktu untuk memprakirakan kebutuhan air setiap sektor pada hari berikutnya. Namun prakiraan itu sendiri tidak menentukan rencana irigasi. Aturan-aturan pertanian dapat menambahkan kendala yang mencegah penambahan air pada tanah yang drainasenya buruk, atau memberikan prioritas kepada tanaman yang sedang melewati fase pertumbuhan yang sensitif. Setelah itu, sebuah program perencanaan membandingkan alternatif-alternatif yang mungkin dan mengalokasikan kapasitas pompa serta waktu operasi ke berbagai sektor. Sebelum pelaksanaan, lapisan keselamatan memeriksa bahwa tidak ada pertentangan di antara sensor, dan bahwa tekanan jaringan serta status katup memungkinkan rencana tersebut. Ia lalu menyajikan hasilnya kepada operator untuk disetujui, atau melaksanakannya secara otomatis jika berada dalam batas-batas yang diizinkan. Dalam contoh ini, "kecerdasan buatan" tidak mengambil keputusan itu seorang diri. Model memberikan prakiraan, aturan memberlakukan kendala, perangkat perencanaan memilih di antara alternatif, lapisan keselamatan meninjau apakah pelaksanaan itu layak, dan operator tetap bertanggung jawab atas keputusan akhir. Karena itu, menggambarkan keseluruhan sistem sebagai "model irigasi kecerdasan buatan" menyembunyikan bagian-bagian esensial dari cara kerjanya dan menyulitkan penentuan di mana kesalahan terjadi dan siapa yang bertanggung jawab atasnya. Sebuah model bisa saja akurat, sementara sistemnya gagal pada tahap lain. Contohnya meliputi hal-hal berikut:

• Sebuah sensor mengirimkan pembacaan dalam satuan yang berbeda dari yang diharapkan sistem.
• Prakiraan bersandar pada data lama yang tiba setelah jendela keputusan berlalu.
• Hasil yang berkaitan dengan sektor timur dikaitkan dengan katup untuk sektor barat.
• Perangkat perencanaan memilih rencana yang secara komputasi benar tetapi melampaui kapasitas pompa yang sebenarnya.
• Antarmuka menampilkan sebuah angka tanpa menyatakan waktu pengukuran atau tingkat keyakinan terhadapnya.
• Sistem mengirimkan perintah yang benar, tetapi katup tidak melaksanakannya dan tidak mengembalikan sinyal yang memastikan statusnya.
• Keputusan dilaksanakan secara otomatis tanpa memberi operator sarana yang jelas untuk menghentikannya.

Sebuah tinjauan tentang digitalisasi pertanian menggambarkan suatu jalur yang saling terhubung yang bermula dari penginderaan, melewati data, konteks, dan pengambilan keputusan, dan berakhir dengan tindakan di dunia nyata [SRC035]. Pentingnya konsepsi ini terletak pada kenyataan bahwa mutu setiap tahap bergantung pada apa yang sampai kepadanya dari tahap sebelumnya, dan bahwa sebuah kesalahan kecil dapat diperbesar seiring perjalanannya melalui rantai tersebut. Jika pembacaan kelembapan keliru, ia dapat menghasilkan prakiraan yang keliru. Jika prakiraan itu benar tetapi dikirim terlalu terlambat, rencananya bisa menjadi tidak sesuai pada saat dilaksanakan. Jika rencananya benar tetapi diarahkan ke katup yang keliru, sebuah sektor yang tidak membutuhkan air dapat dirugikan sementara sektor yang memang membutuhkannya tetap tidak terairi. Itulah sebabnya memeriksa sambungan antarkomponen sistem bisa jadi lebih penting daripada mencapai sedikit peningkatan akurasi algoritma itu sendiri. Bagi pembaca yang mendalam: Tidak cukup mengevaluasi model secara terpisah dari sistem tempat ia beroperasi. Kesalahan harus ditelusuri sejak pengukuran pertama hingga dampak lapangan yang terakhir: seberapa besar kesalahan sensor? Bagaimana nilai-nilai yang hilang ditangani? Apakah prakiraan tiba tepat waktu? Bagaimana ia diubah menjadi aturan keputusan? Apakah perangkat perencanaan memperhitungkan kendala-kendala nyata? Apakah perintah itu dilaksanakan pada peralatan yang dituju? Dan dampak pertanian apa yang dihasilkannya? Sebuah model tertentu boleh jadi tampak lebih baik dalam pengujian komputasi, sementara sistem yang menggunakan model yang lebih sederhana bisa jadi lebih andal karena mutu datanya, kejelasan aturannya, dan kekuatan lapisan keselamatannya. Tidak setiap lapisan dalam sistem harus menjadi "cerdas" semata-mata karena hal itu mungkin secara teknis. Di sejumlah tempat, sebuah aturan tetap lebih jelas, lebih mudah diuji, dan lebih aman daripada model yang dilatih. Mencegah sebuah mesin beroperasi ketika pelindung keselamatannya terbuka tidak memerlukan model yang memprediksi apakah pengoperasian itu berbahaya; hal itu memerlukan aturan eksplisit yang tidak boleh dibatalkan. Sebaliknya, pembelajaran bisa bermanfaat dalam menganalisis citra yang rumit atau mengantisipasi perubahan yang sulit dijelaskan dengan seperangkat aturan sederhana. Rekayasa yang matang tidak bermula dari pertanyaan, "Di mana kita dapat menambahkan kecerdasan buatan?" Sebaliknya, ia bermula dari pertanyaan-pertanyaan yang lebih presisi:

• Bagian mana dari masalah itu yang perlu belajar dari data?
• Bagian mana yang memerlukan aturan pertanian atau regulasi yang eksplisit?
• Keputusan mana yang dapat dilaksanakan secara otomatis, dan mana yang memerlukan persetujuan manusia?
• Di mana sambungan antarkomponen mungkin gagal?
• Bagaimana pengguna mengetahui bahwa data tidak lengkap atau bahwa pelaksanaan tidak terjadi sebagaimana direncanakan?
• Siapa yang memiliki kewenangan untuk menghentikan sistem dan membatalkannya ketika muncul situasi yang tidak terduga?

Kaidah yang mengaturnya: Mutu sebuah sistem pertanian tidak diukur dari model paling cerdas yang ada di dalamnya, melainkan dari keselamatan seluruh rantai, dari pembacaan pertama di lahan hingga tindakan terakhir yang dilaksanakan di sana.

11. Panduan Awal untuk Menghubungkan Tugas, Metode, dan Verifikasi

Metode yang tepat tidak bermula dari nama algoritmanya, melainkan dari pertanyaan yang ingin kita jawab dan tindakan yang mungkin didasarkan pada jawaban tersebut. Citra yang sama dapat berfungsi sebagai masukan untuk mengklasifikasikan kondisi sehelai daun, menentukan lokasi gulma, atau mengukur luas kerusakan, tetapi masing-masing tugas ini memerlukan data rujukan yang berbeda, menghasilkan keluaran yang berbeda, dan dinilai dengan metrik yang berbeda. Panduan berikut bukanlah resep otomatis untuk memilih algoritma, dan tidak pula berarti bahwa setiap masalah pertanian termasuk dalam satu kategori tunggal. Ia adalah peta awal yang membantu pembaca menghubungkan enam hal:

1. Tugas: Pertanyaan pertanian apa yang ingin kita jawab?
2. Data: Informasi apa yang dibutuhkan untuk menjawabnya?
3. Keluarga metode: Jenis analisis apa yang dapat menangani pertanyaan itu?
4. Keluaran: Hasil apa yang harus disediakan sistem?
5. Metrik kinerja: Bagaimana kita mengetahui bahwa hasilnya bermanfaat, bukan sekadar terlihat bagus?
6. Pertanyaan keselamatan dan verifikasi: Apa yang harus diperiksa sebelum hasilnya diubah menjadi keputusan atau tindakan?

Jawaban atas pertanyaan-pertanyaan ini belum lengkap sampai tanaman, lingkungan, waktu pengambilan keputusan, biaya kesalahan, dan kemampuan pengguna untuk merespons telah ditentukan. 1\. Mengklasifikasikan kondisi sehelai daun dari sebuah citra Tugas: Menentukan kelas mana yang paling cocok dengan citra daun tersebut, seperti sehat, terdampak suatu kondisi tertentu, atau tidak dapat ditentukan. Data yang dibutuhkan: Citra yang beragam dari jaringan sehat dan kondisi berpenyakit, masing-masing terhubung dengan kelas rujukan yang telah diverifikasi ahli atau dengan uji yang dapat diandalkan. Tidak cukup citra itu sekadar banyak; ia juga harus mewakili keragaman kultivar, fase pertumbuhan, pencahayaan, perangkat pencitraan, dan tingkat keparahan gejala. Keluarga metode: Model klasifikasi citra. Keluaran yang dituju: Nama kondisi yang paling mungkin dan skor keyakinan, dengan opsi bagi sistem untuk mengatakan "tidak dapat ditentukan" atau meminta citra tambahan ketika buktinya tidak memadai. Apa yang kita ukur? Tingkat keberhasilan secara keseluruhan tidaklah cukup. Kita seharusnya mengukur kemampuan sistem untuk mendeteksi setiap kondisi penting, jumlah kasus yang terlewat olehnya, jumlah peringatan palsu, dan kasus-kasus yang dikelirukannya satu sama lain. Pertanyaan keselamatan dan verifikasi: Apa yang dilakukan sistem jika ia menjumpai penyakit yang belum dipelajarinya, gejala yang timbul dari lebih dari satu sebab, atau citra bermutu buruk? Apakah ia merujuk kasus yang tidak jelas kepada spesialis, atau memaksanya masuk ke salah satu kelas yang dikenalnya? 2\. Menentukan lokasi gulma sebagai persiapan untuk menanganinya Tugas: Mendeteksi gulma dalam citra dan menentukan lokasinya dengan presisi yang memadai untuk mengarahkan seorang pekerja atau sebuah mesin kepadanya. Data yang dibutuhkan: Citra atau klip video yang menunjukkan lokasi gulma dan tanaman, disertai anotasi rujukan mengenai posisinya. Jika sistem itu hendak memandu sebuah mesin, ia juga memerlukan informasi kalibrasi yang menghubungkan posisi objek dalam citra dengan posisi sebenarnya di hadapan implemen. Keluarga metode: Pekerjaan bermula dengan deteksi objek atau penggambaran batas-batas objek di dalam citra; hasilnya lalu diteruskan ke sistem kendali yang menentukan gerakan implemen. Keluaran yang dituju: Lokasi gulma, batas-batasnya, dan skor keyakinan atas deteksinya, diikuti koordinat yang dapat digunakan mesin secara tepat waktu. Apa yang kita ukur? Kita mengukur gulma mana yang terdeteksi dan mana yang terlewat, akurasi penentuan lokasinya, kecepatan tibanya hasil, dan jumlah tanaman budi daya yang rusak selama pelaksanaan. Pertanyaan keselamatan dan verifikasi: Apakah implemen berhenti jika sistem kehilangan keyakinan, jika seorang manusia atau hewan memasuki area kerja, atau jika menjadi mustahil membedakan gulma dari tanaman budi daya? Dan apakah seluruh rantai telah diuji, dari kamera hingga gerakan implemen, bukan model citranya saja? 3\. Prediksi hasil panen Tugas: Memperkirakan kuantitas hasil panen yang diharapkan dipanen dari suatu luasan tertentu. Data yang dibutuhkan: Pengukuran hasil panen sebelumnya, serta data tentang cuaca, tanah, kultivar, fase pertumbuhan, dan praktik pertanian, dengan sumber setiap nilai dan satuan pengukurannya dinyatakan secara jelas. Keluarga metode: Model regresi, atau model yang mempelajari bagaimana data berubah dari waktu ke waktu; model spasial dapat ditambahkan jika kondisinya berbeda di dalam lahan atau antarwilayah. Keluaran yang dituju: Perkiraan hasil panen dalam satuan yang dapat dipahami, seperti kilogram per hektare, disertai rentang yang menunjukkan derajat ketidakpastian alih-alih satu angka tunggal yang menyiratkan presisi yang palsu. Apa yang kita ukur? Kesalahan diukur dalam satuan yang sama dengan hasil panen, sembari juga memeriksa apakah rentang keyakinan yang dinyatakan sesuai dengan hasil yang sebenarnya. Jika sistem mengatakan bahwa hasil panen kemungkinan akan berada dalam rentang tertentu, kita seharusnya menguji seberapa sering hal itu benar-benar terjadi. Pertanyaan keselamatan dan verifikasi: Apakah model itu telah diuji pada lahan pertanian, musim, atau wilayah yang bukan bagian dari pelatihannya? Dan apakah pengguna memahami bahwa prediksi tersebut didasarkan pada kondisi masa lalu yang mungkin tidak mewakili musim yang luar biasa atau kultivar baru? 4\. Menyusun jadwal irigasi Tugas: Menentukan kapan sektor-sektor harus diairi dan berapa banyak air yang harus diterima setiap sektor, sembari memperhitungkan kebutuhan tanaman dan kapasitas jaringan irigasi. Data yang dibutuhkan: Kelembapan tanah, cuaca, fase pertumbuhan tanaman, sifat tanah, sumber air, kapasitas pompa, status katup, serta kendala waktu dan operasional. Keluarga metode: Sistem dapat memadukan model yang memprediksi kebutuhan air, aturan pertanian yang mencegah keputusan yang tidak aman, dan program perencanaan yang membandingkan alternatif serta mengalokasikan sumber daya yang tersedia. Keluaran yang dituju: Sebuah jadwal yang dapat dilaksanakan yang menetapkan sektor, waktu, kuantitas, dan durasi pengoperasian, beserta rencana cadangan apabila air menjadi langka atau sebuah peralatan mengalami kegagalan. Apa yang kita ukur? Keberhasilan tidak diukur dari pengurangan konsumsi air semata, melainkan juga dari kondisi tanaman, hasil panen, penggunaan energi, keseragaman distribusi, ketepatan waktu pengaliran air, dan apakah rencana itu dapat dilaksanakan dengan peralatan yang tersedia. Pertanyaan keselamatan dan verifikasi: Apa yang terjadi ketika data terputus atau salah satu sensor mengalami kegagalan? Apakah sistem beralih ke mode manual atau ke rencana darurat yang aman, ataukah ia terus mengeluarkan perintah atas dasar informasi yang tidak lengkap? 5\. Mengeluarkan peringatan tentang kondisi seekor hewan Tugas: Mendeteksi suatu perubahan yang dapat mengindikasikan penyakit, cedera, atau gangguan dalam pergerakan atau makan. Data yang dibutuhkan: Data tersebut dapat berupa suara, citra, klip video, atau pembacaan aktivitas, suhu, dan asupan pakan. Sedapat mungkin, data itu terhubung dengan kasus-kasus yang telah ditinjau oleh dokter hewan atau spesialis lain. Keluarga metode: Mendeteksi kasus yang tidak lazim ketika kita tidak memiliki definisi lengkap untuk setiap penyakit, atau klasifikasi ketika kita memiliki kasus terdokumentasi yang darinya sistem dapat belajar. Keluaran yang dituju: Sebuah peringatan yang mengidentifikasi hewan, waktu, dan alasan kekhawatiran, dengan peringatan yang diperingkat berdasarkan prioritas. Apa yang kita ukur? Jumlah kasus penting yang gagal dideteksi sistem, jumlah peringatan palsu per hewan atau per hari, dan selang waktu antara mulainya perubahan dan dikeluarkannya peringatan. Pertanyaan keselamatan dan verifikasi: Siapa yang memastikan kondisi itu secara profesional sebelum perlakuan diberikan? Dan berapa banyak peringatan yang sebenarnya dapat diperiksa oleh tim? Sistem yang mengirimkan ratusan peringatan tanpa peringkat dapat menyembunyikan kasus berbahaya di tengah kebisingan. 6\. Memperkirakan luas gejala dan melacak penyebarannya Tugas: Mengukur luasan yang terdampak pada tanaman atau lahan, lalu menentukan apakah gejalanya meluas atau menyusut dari waktu ke waktu. Data yang dibutuhkan: Citra atau peta berurutan yang diambil pada waktu yang berbeda, beserta informasi tentang lokasi, ketinggian, sudut, dan kondisi pencahayaan saat pengambilan citra, sehingga perbandingan yang adil dapat dilakukan. Keluarga metode: Menggambarkan batas-batas jaringan atau area yang terdampak di dalam citra, lalu menganalisis bagaimana semua itu berubah pada berbagai titik waktu. Keluaran yang dituju: Perkiraan luas atau persentase kerusakan, arah dan kecepatan perubahannya, beserta indikasi derajat keyakinan terhadap perbandingan tersebut. Apa yang kita ukur? Kesalahan dalam memperkirakan luas, kestabilan hasil ketika pencitraan diulang, dan kemampuan sistem untuk melacak area yang sama dari satu waktu ke waktu lainnya. Pertanyaan keselamatan dan verifikasi: Apakah kerusakannya benar-benar bertambah, ataukah cahaya, sudut pencitraan, atau ketinggian kamera yang berubah, sehingga luasnya tampak lebih besar atau lebih kecil? Dan apakah citra-citra itu dibandingkan atas dasar satu standar rujukan tunggal? 7\. Memberikan jawaban penyuluhan Tugas: Menjawab sebuah pertanyaan pertanian dalam bahasa yang jelas, dengan bersandar pada sumber-sumber otoritatif yang sesuai dengan konteks pengguna. Data yang dibutuhkan: Pertanyaan pengguna, informasi tentang tanaman, lokasi, fase pertumbuhan, dan kondisinya, beserta sumber-sumber yang dapat diandalkan dan mutakhir yang dapat dirujuk oleh sistem. Keluarga metode: Menelusuri sumber-sumber otoritatif dan mengambil bagian-bagian yang relevan, lalu menggunakan model bahasa untuk merumuskan jawaban, dengan aturan yang mencegah klaim atau rekomendasi yang tidak didukung oleh bukti. Keluaran yang dituju: Sebuah jawaban yang membedakan antara informasi umum dan rekomendasi yang berkualifikasi, mencantumkan sumbernya, serta meminta informasi tambahan atau menolak menjawab ketika buktinya tidak memadai. Apa yang kita ukur? Apakah sumber-sumbernya mendukung klaim yang dibuat dalam jawaban tersebut? Apakah rujukannya akurat dan dapat diverifikasi? Apakah jawabannya sesuai dengan tanaman, lokasi, dan waktunya, dan dapatkah pengguna memahami langkah berikutnya tanpa terdorong ke tindakan yang tidak aman? Pertanyaan keselamatan dan verifikasi: Apakah sistem menahan diri untuk tidak mengarang dosis, bahan, registrasi resmi, atau harga yang tidak terdokumentasi? Apakah ia menjelaskan bahwa persetujuan sebuah produk atau kondisi penggunaannya harus diverifikasi terhadap label produk yang disetujui saat ini dan regulasi setempat? 8\. Mengalokasikan sumber daya yang terbatas Tugas: Mendistribusikan kuantitas air, pupuk, tenaga kerja, atau waktu mesin yang terbatas di antara beberapa lahan atau sektor. Data yang dibutuhkan: Skala permintaan, sumber daya yang tersedia, prioritas, kendala teknis dan waktu, serta prakiraan yang berkaitan dengan hasil panen, biaya, atau imbal hasil. Keluarga metode: Perencanaan matematis dan pertukaran kepentingan di antara alternatif, yang dikenal dalam bidang khusus sebagai optimasi dan riset operasi. Metode-metode ini mencari sebuah rencana yang mencapai tujuan sejauh mungkin tanpa melanggar kendala yang ditetapkan. Keluaran yang dituju: Sebuah rencana yang dapat dilaksanakan, beserta pernyataan tentang apa yang diterima setiap pihak dan apa yang berubah jika prioritas bergeser atau sumber dayanya menjadi lebih langka. Apa yang kita ukur? Apakah rencana itu menghormati semua kendala? Dapatkah ia benar-benar diterapkan? Dan apa pengaruhnya terhadap biaya, hasil panen, waktu, dan keadilan di antara sektor atau penerima manfaat? Pertanyaan keselamatan dan verifikasi: Siapa yang menentukan tujuan yang berupaya dimaksimalkan oleh perangkat itu? Dan siapa yang menetapkan prioritas serta tingkat minimum yang dapat diterima bagi setiap sektor? Sebuah rencana bisa saja benar secara matematis namun tidak adil atau tidak dapat diterima secara agronomis apabila tujuannya direduksi menjadi satu angka tunggal. 9\. Mengendalikan suatu rangkaian tindakan Tugas: Memilih suatu rangkaian tindakan yang setelahnya keadaan sistem berubah, seperti mengatur ventilasi dan pemanasan di dalam bangunan terlindung, atau memandu sebuah mesin yang bergerak di antara barisan tanaman. Data yang dibutuhkan: Deskripsi keadaan saat ini, himpunan tindakan yang mungkin, dan data tentang apa yang terjadi setelah setiap tindakan, beserta batas-batas operasi dan keselamatan. Keluarga metode: Sistem dapat menggunakan kendali konvensional yang berbasis aturan dan persamaan yang diketahui, pembelajaran penguatan yang mempelajari strategi pemilihan tindakan dari simulasi atau pengalaman, atau perpaduan keduanya. Keluaran yang dituju: Sebuah strategi yang menentukan tindakan yang tepat untuk setiap keadaan, diikuti perintah pengoperasian yang jelas bagi peralatan. Dalam terminologi teknis, strategi ini disebut sebagai "kebijakan pemilihan tindakan". Apa yang kita ukur? Kestabilan sistem, kecepatan responsnya, berapa kali kendala dilampaui, konsumsi sumber daya, dampak tindakan terhadap tanaman, hewan, atau peralatan, serta kemampuannya menangani kondisi yang tidak terduga. Pertanyaan keselamatan dan verifikasi: Batas-batas apa yang tidak boleh dilampaui sistem, apa pun tujuannya? Siapa yang memiliki kewenangan untuk menghentikannya? Dan ke keadaan aman mana peralatan itu beralih jika komunikasi terputus, data gagal, atau situasinya berada di luar rentang yang telah diuji? Peta ini menunjukkan bahwa satu tugas pertanian saja dapat memerlukan lebih dari satu metode, dan bahwa keberhasilan pada setiap tahap tidak menjamin keberhasilan rantai itu secara keseluruhan. Mengidentifikasi lokasi gulma tidaklah cukup jika mesin tidak dapat menjangkaunya dengan aman; memprediksi kebutuhan air tidaklah cukup jika rencana irigasinya melampaui kapasitas pompa; dan mengambil sumber yang benar tidaklah cukup jika ia berkaitan dengan tanaman, negara, atau tanggal yang berbeda. Peta ini juga menunjukkan bahwa metrik teknis dan pertanyaan keselamatan bukanlah dua hal yang terpisah. Metrik menunjukkan seberapa baik sistem bekerja dalam pengujian, sedangkan pertanyaan keselamatan menunjukkan apa yang mungkin terjadi ketika sistem melakukan kesalahan di lahan. Sebuah algoritma bisa saja mencapai hasil rata-rata yang tinggi, sementara kesalahannya yang jarang justru jatuh pada kasus yang paling berisiko. Bagi pembaca yang mencari kedalaman: Pemilihan metode bermula dari perumusan keputusan dan biaya dari berbagai pola kesalahan, bukan dari membandingkan nama-nama model. Metode yang tepat dapat berubah apabila keluaran yang dituju berubah, sekalipun datanya tetap sama. Sistem juga seharusnya dievaluasi pada tiga tingkat: mutu estimasi, mutu pengubahan estimasi itu menjadi keputusan, dan mutu pelaksanaan keputusan tersebut dalam kenyataan. Perbaikan pada tingkat pertama tidak mengompensasi kegagalan pada dua tingkat lainnya. Dan ketika mengevaluasi aplikasi baru apa pun, matriks tersebut dapat diringkas dalam pertanyaan-pertanyaan berikut:

• Pertanyaan pertanian spesifik apa yang hendak dijawab oleh sistem tersebut?
• Data apa yang dibutuhkannya, dan siapa yang memverifikasi keakuratannya?
• Keluaran apa yang akan dihasilkannya, dan dalam satuan apa atau dengan tingkat keyakinan berapa?
• Keputusan atau tindakan apa yang akan didasarkan pada keluaran tersebut?
• Jenis kesalahan mana yang lebih berbahaya: kasus yang terlewat oleh sistem atau peringatan palsu?
• Apakah sistem tersebut telah diuji dalam lingkungan independen yang menyerupai lingkungan penggunaannya yang sebenarnya?
• Apa yang terjadi ketika data tidak lengkap atau kasusnya tidak dikenali?
• Siapa yang meninjau hasilnya, dan siapa yang berwenang menghentikannya atau mengesampingkannya?

Prinsip menyeluruhnya: sebuah metode dipilih bukan karena ia yang paling baru atau paling terkenal, melainkan karena ia menghasilkan keluaran yang dibutuhkan oleh keputusan tersebut, dapat diverifikasi menggunakan metrik yang sesuai, dan tetap aman ketika data tidak lengkap atau hasilnya keliru.

12. Bagaimana Kita Membandingkan Model dan Sistem? Dari Akurasi Pengujian Menuju Nilai di Lapangan

Ketika seorang pengembang atau sebuah perusahaan memperkenalkan sistem baru, pertanyaan pertama sering kali berbunyi: Seberapa akurat ia? Itu pertanyaan yang sah, tetapi tidak cukup untuk menilai kegunaannya. Dua sistem dapat meraih skor yang sama dalam pengujian laboratorium, namun sangat berbeda dalam jenis kesalahan yang dibuatnya, kecepatan responsnya, biaya operasinya, kemampuannya berfungsi di lapangan, dan besarnya kerugian yang mungkin terjadi ketika keduanya keliru. Bayangkan dua model, masing-masing meraih skor keseluruhan 92% dalam mengklasifikasikan citra daun. Model pertama mungkin baik dalam mendeteksi kasus yang sehat, namun melewatkan tahap-tahap awal suatu penyakit berbahaya. Model kedua mungkin mendeteksi sebagian besar kasus berpenyakit, tetapi menghasilkan begitu banyak peringatan palsu sehingga pengguna kehilangan kepercayaan terhadapnya. Skor keseluruhannya tampak sama, tetapi nilai kedua model itu di lahan pertanian tidaklah sama. Modelnya sendiri boleh jadi baik, sementara sistem yang memuatnya tetap lemah. Model itu mungkin menganalisis citra dengan benar, tetapi aplikasinya memampatkan citra tersebut hingga detailnya hilang, atau menunda pengiriman hasilnya, atau menampilkannya tanpa menunjukkan tingkat keyakinan, atau mengaitkannya dengan rekomendasi yang tidak sesuai untuk kawasan tersebut. Karena itu kita perlu membedakan tiga hal:

• Kinerja model: seberapa baik perkiraan atau klasifikasi yang dihasilkannya.
• Kinerja sistem: seberapa baik seluruh rantai itu bekerja, dari pengumpulan data hingga penampilan hasil atau pelaksanaan tindakan.
• Dampak pertanian: apakah penggunaan sistem tersebut benar-benar memperbaiki keputusan dan luarannya di lahan pertanian.

Sebuah perbandingan baru adil dan berguna apabila ia mencakup tingkatan-tingkatan berikut. A. Mulailah dari apa yang kita lakukan sekarang: tolok ukur dasar untuk perbandingan Tolok ukur dasar adalah metode yang kita gunakan sebagai titik rujukan sebelum sistem baru diperkenalkan. Dengan kata yang lebih sederhana, kita bertanya bukan hanya, "Apakah modelnya bekerja?", melainkan juga: Apakah ia bekerja lebih baik daripada apa yang kita lakukan hari ini, dan cukup besar untuk membenarkan biaya perubahan itu? Tolok ukur dasar itu dapat berupa:

• pemeriksaan yang dilakukan oleh seorang spesialis atau petugas penyuluh pertanian.
• sebuah aturan sederhana yang disusun oleh pakar lokal.
• rata-rata hasil panen pada musim-musim sebelumnya.
• asumsi bahwa pembacaan besok akan mendekati pembacaan hari ini.
• jadwal irigasi tetap yang dikalibrasi terhadap kondisi setempat.
• sistem digital lama yang hendak digantikan oleh sistem baru itu.

Jadi, apabila tujuannya adalah memprediksi hasil panen, model tersebut dapat dibandingkan dengan rata-rata hasil lahan itu pada musim-musim sebelumnya. Apabila tujuannya mendeteksi penyakit dari citra, ia dapat dibandingkan dengan kinerja pemeriksaan yang berlaku saat ini, seraya menjelaskan apakah pemeriksaan itu dilakukan oleh petani, teknisi, atau spesialis. Apabila tujuannya mengelola irigasi, ia dapat dibandingkan dengan jadwal yang digunakan saat ini dari segi air, energi, kondisi tanaman, dan hasil panen. Metode rujukan yang lemah tidak boleh dipilih dengan sengaja hanya agar model baru tampak lebih unggul. Sebuah sistem yang rumit mungkin mengungguli aturan yang naif, namun gagal mengungguli pengalaman petani atau sistem sederhana yang dikalibrasi secara lokal. Dalam hal itu, keuntungan teknisnya terbatas dan mungkin tidak sepadan dengan biaya perangkat keras, konektivitas, pemeliharaan, dan pelatihan. Perbandingan juga tidak boleh dibatasi pada pertanyaan, "Siapa yang meraih angka lebih tinggi?" Ia juga harus mencakup:

• besarnya perbaikan dibandingkan metode yang berlaku saat ini.
• konsistensi perbaikan tersebut di berbagai lahan dan musim.
• jenis-jenis kesalahan yang berkurang atau bertambah.
• biaya untuk mencapai perbaikan tersebut.
• sejauh mana pengguna benar-benar mampu memperoleh manfaat darinya.

Makna praktis dari tolok ukur dasar: mula-mula kita menetapkan tingkat kinerja yang kita miliki tanpa sistem baru, lalu kita menguji apakah sistem itu menambahkan nilai nyata di atasnya. B. Buatlah pengujian mendekati kondisi penggunaan yang sebenarnya Sebuah model belajar dari sekumpulan contoh yang disebut data pelatihan. Setelah pembelajaran selesai, ia harus diuji pada contoh-contoh independen yang belum pernah digunakannya. Tujuannya bukan mengetahui seberapa baik ia mengingat contoh-contoh terdahulu, melainkan apakah ia mampu menangani kasus-kasus baru yang menyerupai apa yang akan ditemuinya di lahan pertanian. Jika sistem itu akan digunakan di banyak lahan, pengujian harus mencakup lahan-lahan yang tidak termasuk dalam pelatihan. Jika ia akan beroperasi lintas musim yang berbeda, tidak cukup mengujinya pada citra dari musim yang sama. Jika para pengguna mengambil gambar dengan ponsel yang mutunya beragam, tidak sahih mengevaluasinya sepenuhnya pada citra yang diambil oleh satu kamera dalam kondisi ideal. Pembagian data secara acak dapat memberikan kesan yang menyesatkan. Jika sepuluh citra serupa diambil dari tanaman yang sama, lalu sebagian dimasukkan ke dalam pelatihan dan sisanya ke dalam pengujian, model itu mungkin mengenali tanaman, latar belakang, atau kondisi pencitraannya alih-alih tanda-tanda pertanian yang kita ingin ia pelajari. Pengujian yang lebih kuat memisahkan, bergantung pada sifat tugasnya, antara:

• tanaman yang berbeda.
• petak lahan atau lahan pertanian yang berbeda.
• usaha tani atau kawasan yang berbeda.
• musim atau tahun yang berbeda.
• varietas dan fase pertumbuhan yang berbeda.
• perangkat pencitraan atau jenis sensor yang berbeda.
• bahasa atau dialek yang berbeda, serta perumusan pertanyaan yang berbeda dalam sistem percakapan.

Ini bukan berarti setiap pengujian harus mencakup seluruh dunia, melainkan bahwa pengujian itu harus mewakili secara jujur lingkungan tempat sistem tersebut akan digunakan. Jika sistem itu diuji dalam lingkungan yang terbatas, batas-batas tersebut harus dinyatakan, bukannya hasilnya disajikan seolah-olah berlaku untuk setiap tanaman, lahan pertanian, dan musim. Model-model kandidat juga harus dikenai pengujian yang sama, dalam kondisi yang sama, dan dengan data yang sama. Perbandingan tidak adil apabila yang satu diuji pada citra yang bersih sementara yang lain diuji pada citra lapangan yang sulit, atau apabila yang satu diukur pada perangkat yang cepat dan yang lain pada ponsel berdaya rendah. Makna praktis dari pengujian independen: kita menghadapkan sistem itu pada kasus-kasus baru yang mencerminkan realitas penggunaannya, lalu melihat apakah ia mempertahankan kinerjanya ketika kemudahan-kemudahan laboratorium tidak lagi tersedia. C. Kaitkan metrik dengan konsekuensi kesalahan Tidak semua kesalahan setara. Sebuah sistem mungkin keliru dengan memunculkan peringatan tentang infeksi yang tidak ada, atau dengan memperlakukan tanaman yang terinfeksi sebagai tanaman sehat. Keduanya kesalahan, tetapi konsekuensinya bisa berbeda. Peringatan palsu mungkin memboroskan waktu pemeriksaan, mendorong analisis tambahan, atau mengganggu pengguna. Sebaliknya, melewatkan infeksi yang serius dapat menunda intervensi hingga kerusakan menyebar. Dalam aplikasi lain, seperti mengoperasikan mesin, peringatan palsu mungkin kurang berbahaya dibandingkan gerakan keliru yang merusak tanaman atau melukai pekerja. Karena itu, rata-rata keseluruhan tidak boleh menyembunyikan jenis kesalahan yang lebih penting. Sebuah perbandingan hendaknya menanyakan:

• Berapa banyak kasus berbahaya yang terlewat oleh sistem tersebut?
• Berapa banyak peringatan palsu yang dikeluarkannya?
• Pada varietas atau fase pertumbuhan mana kesalahan lebih sering terjadi?
• Apakah ia lebih sering keliru pada kasus-kasus awal dibandingkan kasus-kasus yang jelas?
• Berapa biaya masing-masing jenis kesalahan?
• Mampukah tim menangani jumlah peringatan yang ditimbulkannya?

Dan apabila tugasnya adalah memprediksi sebuah angka, kesalahan itu hendaknya dinyatakan dalam satuan yang dapat dipahami oleh pengambil keputusan. Alih-alih mengatakan bahwa "rata-rata kesalahannya 0,12" tanpa penjelasan, kita dapat mengatakan bahwa prediksi hasil panen menyimpang rata-rata sekian kilogram atau ton per hektare. Ketika merencanakan penyimpanan atau pengangkutan pun, harus dijelaskan apakah kesalahan-kesalahan kecil yang lazim itu menyembunyikan sejumlah kecil kesalahan besar yang dapat mengacaukan seluruh rencana. Tidak cukup pula bahwa perbedaan antara dua model tampak dalam satu angka tunggal. Keunggulan itu boleh jadi demikian tipis sehingga dapat berbalik apabila kita mengulangi pengujian pada musim lain atau pada sampel lain. Karena itu, kita perlu melihat besarnya ragam antarpengujian, bukan sekadar hasil terbaik yang tunggal. Makna praktis dari metrik: kita memilih metode pengukuran sesuai dengan keputusan yang akan terpengaruh oleh hasilnya, dan menerjemahkan kesalahan itu menjadi dampak yang dapat dipahami oleh petani, spesialis, atau manajer operasi. D. Uji bagaimana sistem mengungkapkan ketidakpastian, dan kapan ia menahan diri dari penilaian Model tidak memiliki derajat pengetahuan yang sama pada setiap kasus. Citranya bisa jelas dan serupa dengan apa yang dipelajarinya, atau bisa gelap, tidak lengkap, atau berasal dari kasus yang belum pernah dilihatnya. Pembacaan sensor bisa lengkap dan konsisten, atau sebagian hilang sementara sisanya saling bertentangan. Ragam semacam ini disebut ketidakpastian: bukti yang tersedia tidak mendukung semua kemungkinan luaran dengan derajat yang sama. Sistem dapat mengungkapkan hal ini melalui beberapa cara, antara lain:

• Menampilkan skor keyakinan alih-alih mengeluarkan penilaian yang kategoris.
• Menyajikan beberapa kemungkinan yang diperingkat.
• Menampilkan rentang yang diperkirakan alih-alih satu angka tunggal.
• Menunjukkan data yang hilang atau saling bertentangan.
• Meminta citra, pembacaan, atau keterangan tambahan.
• Merujuk kasus tersebut kepada spesialis ketika buktinya tidak memadai.

Dalam prediksi hasil panen, menyatakan bahwa hasil yang diperkirakan berada antara 4,2 dan 5,1 ton per hektare bisa jadi lebih jujur dan lebih berguna daripada memberikan satu angka tunggal 4,7 ton, terutama apabila data cuaca ke depan tidak stabil. Dalam mendiagnosis citra daun, mungkin lebih patut bila sistem menyatakan bahwa citra tersebut tidak memadai untuk membedakan dua penyebab, lalu meminta citra sisi bawah daun. Namun skor keyakinan yang ditampilkan model bukanlah kebenaran yang terjamin. Ia bisa saja menyatakan dirinya 80% yakin sementara hasil sesungguhnya jauh lebih buruk. Itulah sebabnya kalibrasi keyakinan perlu diperiksa: menguji apakah angka-angka keyakinan itu selaras dengan kenyataan. Jika kita mengumpulkan sejumlah besar kasus yang diberi keyakinan sekitar 80% oleh sistem tersebut, hasilnya semestinya benar pada tingkat yang mendekati angka itu, bukan benar hanya pada separuhnya. Kasus di luar cakupan apa yang telah dipelajari sistem adalah kasus yang jelas berbeda dari contoh-contoh pelatihannya: varietas baru, kamera yang berbeda, penyakit yang tidak termasuk dalam data, kondisi pencahayaan yang sangat berlainan, atau pertanyaan dalam bahasa yang belum diujikan padanya. Model itu bisa saja menjawab dengan penuh keyakinan bahkan dalam kasus-kasus semacam itu, dan karena itulah kemampuannya mendeteksi bahwa suatu masukan tidak dikenali harus diuji. Penahanan diri berarti sistem tidak memaksakan diri mengeluarkan diagnosis atau rekomendasi ketika buktinya tidak memadai. Ia bukan penghentian acak dan bukan pula tanda kegagalan, melainkan perilaku yang disengaja, seperti menyatakan: "Citra saat ini tidak memadai untuk menentukan kondisi secara aman. Ambillah citra yang lebih jelas dari sisi bawah daun, dan sebutkan jenis tanaman serta fase pertumbuhannya, atau rujuklah kasus ini kepada spesialis." Penahanan diri itu sendiri juga harus dievaluasi. Jika sistem menahan diri pada sebagian besar kasus, ia mungkin tampak aman namun kurang berguna. Jika ia tidak pernah menahan diri, ia mungkin memberikan jawaban yang meyakinkan dalam kasus-kasus yang tidak diketahuinya. Yang dibutuhkan adalah keseimbangan yang sesuai dengan tingkat kegentingan tugas tersebut dan kapasitas tim untuk meninjau kasus-kasus yang dirujuk. Makna praktis dari ketidakpastian dan penahanan diri: kita bertanya bukan hanya apakah sistem menjawab, melainkan apakah ia mengenali batas-batas buktinya, apakah ia meminta bantuan pada saat yang tepat, dan apakah permintaan itu sampai kepada orang yang mampu menindaklanjutinya. E. Ukurlah kinerja sistem dalam pengoperasian, bukan hanya dalam peragaan Sebuah sistem mungkin bekerja dengan baik dalam peragaan publik yang singkat, atau pada komputer bertenaga besar yang terhubung ke jaringan yang stabil, lalu menemui kesulitan ketika digunakan hari demi hari di lahan pertanian. Karena itu, perbandingan mencakup aspek-aspek yang tidak tampak dalam angka akurasi, seperti:

• Waktu antara pemasukan data dan munculnya hasil.
• Kemampuan sistem untuk berjalan pada ponsel atau perangkat yang benar-benar tersedia.
• Konsumsi energi dan volume data yang ditransmisikan.
• Kebutuhan akan koneksi internet yang terus-menerus.
• Apa yang terjadi ketika jaringan lemah atau listrik padam.
• Biaya kamera, sensor, peladen, dan langganan.
• Waktu yang dibutuhkan untuk memasang, mengalibrasi, dan memelihara peralatan.
• Seberapa mudah perangkat lunaknya diperbarui tanpa mengganggu pekerjaan.
• Kejelasan antarmuka dan kemampuan pengguna untuk memahami hasilnya.
• Ketersediaan dukungan teknis dan suku cadang.
• Kemampuan untuk mengoreksi kesalahan atau kembali ke cara kerja manual.

Sebuah model yang kinerjanya sedikit lebih rendah dalam pengujian laboratorium bisa jadi lebih berguna di lapangan apabila ia berjalan cepat pada ponsel yang tersedia, menyajikan hasil yang dapat dipahami, dan terus menjalankan fungsi-fungsi dasarnya ketika konektivitas lemah. Sebaliknya, model yang lebih akurat bisa jadi tidak praktis apabila ia menuntut perangkat yang mahal, konektivitas yang terus-menerus, atau waktu tanggap yang lebih lama daripada jendela intervensi. Jika sebuah sistem deteksi gulma mengirimkan hasilnya setelah mesin telanjur melewati lokasi gulma tersebut, akurasi citra yang tinggi tidak ada gunanya baginya. Jika peringatan penyakit tiba beberapa hari setelah data diambil, ia bisa kehilangan nilainya sekalipun diagnosisnya benar. Makna praktis dari kinerja operasional: sistem yang berguna adalah sistem yang sesuai dengan kondisi kerja sehari-hari, bukan sistem yang berhasil hanya ketika kondisi peragaan yang ideal tersedia. F. Pantaulah kondisi yang berubah dan kinerja yang menurun setelah penerapan Hasil yang baik pada saat sistem diluncurkan bukanlah jaminan bahwa ia akan berlanjut. Lingkungan pertanian berubah: varietas baru bermunculan, tanggal tanam bergeser, kamera dan sensor diganti, praktik berubah, dan hama atau kondisi yang tidak terwakili dalam data asli bisa menyebar. Ketika sifat data yang diterima sistem berubah dari data yang dipakai untuk melatih dan mengujinya, hal ini disebut pergeseran data. Maksudnya bukan bahwa data itu benar-benar berpindah, melainkan bahwa sifat-sifat realitas yang dilihat sistem tersebut tidak lagi seperti sebelumnya. Contohnya meliputi:

• Melatih model pada citra dari kamera tertentu lalu menggantinya dengan kamera yang warna dan pemrosesan citranya berbeda.
• Varietas yang ditanam berubah, sehingga gejalanya tampak berbeda.
• Iklim atau waktu musim berubah, sehingga hubungan antara cuaca dan hasil panen berubah.
• Memodifikasi sistem pemberian nutrisi atau pencahayaan di dalam rumah kaca.
• Metode pemasukan catatan, atau nama-nama isian dalam aplikasi, berubah.
• Muncul pertanyaan dan dialek baru dalam sistem penyuluhan percakapan.

Bisa terjadi pula bahwa data tetap serupa secara permukaan sementara hubungan antara data dan luarannya berubah. Suhu tertentu boleh jadi dahulu dikaitkan dengan cekaman tanaman di bawah sistem irigasi terdahulu, lalu hubungan itu berubah setelah ventilasi diperbaiki atau naungan baru dipasang. Karena itu, setelah penerapan, sistem memerlukan pemantauan yang mencakup:

• Membandingkan data baru dengan data yang dipakai untuk mengujinya.
• Mencatat kasus-kasus yang tidak lazim atau kasus-kasus yang tingkat keyakinannya menurun.
• Meninjau sampel hasil di lapangan.
• Melacak jumlah peringatan palsu dan kasus yang terlewat.
• Menetapkan ambang batas yang memicu evaluasi ulang.
• Menentukan siapa yang memutuskan apakah model itu diperbarui atau dilatih ulang.
• Menguji versi baru sebelum menyetujuinya.
• Mempertahankan kemampuan untuk kembali ke versi sebelumnya apabila muncul masalah.

Pelatihan ulang bukanlah solusi otomatis bagi setiap penurunan; kesalahan atau luaran yang tidak terdokumentasi dapat masuk ke dalam data baru, dan sistem bisa mempelajarinya lalu menjadi lebih buruk. Karena itu, pembaruan harus melewati tinjauan, pengujian, dan persetujuan. Makna praktis dari pergeseran data: apa yang sahih pada musim lalu belum tentu secara otomatis tetap sahih pada musim berikutnya, sehingga sistem memerlukan pemantauan berkelanjutan, bukan sertifikat keberhasilan yang diberikan sekali untuk selamanya. G. Ukurlah apa yang terjadi setelah hasilnya sampai kepada pengguna Prediksi bisa membaik tanpa luaran pertaniannya ikut membaik. Sistem mungkin mendeteksi penyakit secara dini, tetapi peringatannya tidak sampai kepada orang yang tepat. Peringatan itu mungkin tiba, tetapi pengguna tidak memahaminya. Pengguna mungkin memahaminya, tetapi tidak memiliki bahan, pekerja, atau waktu yang dibutuhkan untuk melakukan intervensi. Pengguna mungkin melaksanakan rekomendasi itu, tetapi rekomendasi tersebut mungkin tidak sesuai dengan kondisi lahan. Karena itu, seluruh rantai tersebut perlu ditelusuri:

1. Apakah perkiraan model itu benar?
2. Apakah sistem mengubahnya menjadi peringatan atau rekomendasi yang jelas?
3. Apakah hasilnya tiba pada saat yang tepat?
4. Apakah pengguna memahaminya dan memercayainya?
5. Apakah ia mengubah keputusan?
6. Apakah keputusan itu dilaksanakan sebagaimana direncanakan?
7. Apakah pelaksanaannya menghasilkan luaran pertanian yang lebih baik?

Tingkatan-tingkatan ini tidak bermakna sama. Akurasi prakiraan irigasi bisa membaik, namun konsumsi air tidak turun karena jaringannya bocor. Sistem mungkin mendeteksi suatu kondisi pada hewan secara dini, tetapi tim tidak dapat meninjau peringatan-peringatan itu sampai penghujung hari. Ia mungkin menyarankan distribusi tenaga kerja yang lebih baik, tetapi rencananya tidak memperhitungkan pengangkutan antarlahan. Ketika mengukur dampak, lebih dari satu luaran perlu dipertimbangkan. Sistem mungkin mengurangi konsumsi air tetapi menaikkan penggunaan energi, atau menaikkan hasil panen tetapi menambah biaya masukan produksi, atau mengurangi kerja manual tetapi meningkatkan ketergantungan pada layanan eksternal yang sulit diperbaiki. Tidak setiap perubahan hasil panen atau biaya boleh dikaitkan dengan sistem tersebut semata-mata karena perubahan itu terjadi setelah sistemnya digunakan; penyebabnya bisa jadi musim yang lebih baik, perubahan harga, atau praktik pertanian lain. Apabila seseorang hendak menegaskan bahwa sistem itulah yang membuat perbedaan, mungkin diperlukan penerapan bertahap, perbandingan antarlahan atau antarperiode yang serupa, atau rancangan lapangan yang sesuai yang memisahkan pengaruh sistem tersebut dari faktor-faktor lain. Makna praktis dari pengukuran dampak: penilaian tidak berhenti pada apakah jawabannya benar; ia berlanjut dengan menanyakan apakah jawaban itu tiba, apakah ia mengubah keputusan, dan apakah keputusan tersebut menghasilkan luaran yang lebih baik di dunia nyata. H. Tinjaulah keadilan, tanggung jawab, dan tata kelola Sebuah sistem mungkin meraih rata-rata yang baik, namun bekerja lebih baik bagi satu kelompok pengguna atau lahan pertanian dengan mengorbankan kelompok lain. Ia mungkin bergantung pada konektivitas cepat yang tidak tersedia di kawasan terpencil, atau pada ponsel modern yang tidak dimiliki semua pengguna, atau pada citra dari lahan pertanian besar yang tertata rapi yang tidak mewakili usaha tani kecil, atau pada bahasa formal yang kurang baik dalam menangani pertanyaan dan dialek lokal. Karena itu, hasilnya hendaknya dipilah, sebagaimana layaknya, berdasarkan:

• Luas lahan pertanian dan sifat produksinya.
• Kawasan dan kondisi iklim.
• Varietas dan fase pertumbuhan.
• Jenis perangkat atau sensor.
• Mutu konektivitas.
• Bahasa atau dialek.
• Pengalaman pengguna dan kemampuannya menggunakan antarmuka.

Keadilan tidak berarti sistem harus memberikan hasil yang sama kepada semua orang; ia justru berarti memeriksa apakah suatu kelompok tertentu menanggung lebih banyak kesalahan, tidak dapat mengakses layanan tersebut, atau tidak memiliki cara untuk mengajukan keberatan terhadap keputusan yang keliru. Adapun tata kelola, ia berarti aturan dan tanggung jawab yang mengatur sistem tersebut sepanjang siklus hidupnya, termasuk:

• Siapa yang mengizinkan penggunaannya?
• Siapa yang meninjau data dan kinerjanya?
• Siapa yang memikul tanggung jawab atas kesalahan?
• Dapatkah pengguna mengajukan keberatan atau meminta tinjauan manusia?
• Keputusan apa saja yang boleh diusulkan atau dilaksanakan oleh sistem?
• Keputusan apa saja yang harus tetap berada di tangan seorang spesialis atau badan yang berwenang?
• Bagaimana catatan disimpan dan privasi dihormati?
• Bagaimana perubahan dan versi didokumentasikan?
• Siapa yang berwenang menghentikan sistem ketika muncul suatu risiko?

Pertanyaan-pertanyaan ini menjadi semakin penting apabila sistem tersebut memengaruhi kesehatan tanaman atau hewan, keselamatan pekerja, penggunaan air dan bahan-bahan yang diatur, atau keberterimaan produk di pasar. Perspektif ini dipandu oleh gagasan pengelolaan risiko kecerdasan buatan sepanjang tahapan siklus hidupnya, dari perancangan dan pengujian hingga pengoperasian, pemantauan, dan pembaruan [SRC033]. Makna praktis dari tata kelola: Tidak cukup mengetahui apa yang mampu dilakukan sistem tersebut; kita juga harus mengetahui siapa yang memantaunya, siapa yang meninjaunya, dan siapa yang memegang kewenangan mengambil keputusan ketika ia keliru. Bagi pembaca tingkat lanjut: Sebuah perbandingan profesional tidak menyajikan satu angka tunggal sebagai putusan akhir. Ia hendaknya menjelaskan besarnya sampel pengujian, derajat ragam dalam hasilnya, kinerja pada berbagai kelompok dan lingkungan, kestabilannya dari waktu ke waktu, dan biaya masing-masing jenis kesalahan. Kondisi perbandingannya juga harus dijaga tetap sama: data yang sama, definisi tugas yang sama, ambang peringatan yang sama, dan lingkungan operasi yang sama. Satu model mungkin unggul ketika ia dibolehkan mengirim banyak peringatan, sedangkan model lain mungkin unggul ketika jumlah peringatannya dibatasi pada apa yang mampu ditinjau oleh tim. Karena itu, perbandingan selalu terikat pada kondisi keputusan dan sumber daya yang tersedia, bukan pada kinerja algoritma secara abstrak. Daftar periksa praktis untuk membandingkan sistem apa pun Perbandingan itu dapat diringkas dalam delapan pertanyaan, tetapi makna setiap pertanyaan harus dipahami dengan jelas:

1. Keputusan apa yang akan berubah karena sistem tersebut?

Apakah keluarannya akan menghasilkan pemeriksaan tambahan, pengairan suatu sektor, pengobatan seekor hewan, pembelian suatu masukan produksi, atau pengoperasian sebuah mesin? Jika kita tidak mengetahui keputusan mana yang akan berubah, kita tidak akan mengetahui kinerja seperti apa yang dibutuhkan.

2. Metode yang berlaku saat ini apa yang menjadi pembanding sistem tersebut?

Apakah ia mengungguli pengalaman petani, pemeriksaan spesialis, sebuah aturan sederhana, atau sistem yang digunakan saat ini? Dan seberapa besar nilai tambah yang diberikannya?

3. Apakah ia diuji dalam lingkungan independen yang serupa dengan tempat penggunaannya kelak?

Apakah pengujian itu mencakup lahan, musim, perangkat, varietas, dan pengguna yang datanya tidak termasuk dalam pelatihan?

4. Kesalahan mana yang paling berbahaya, dan seberapa sering ia terjadi?

Apakah risiko terbesarnya adalah melewatkan kasus, mengeluarkan peringatan palsu, keterlambatan, atau mengarahkan tindakan ke tempat yang keliru? Dan dampak apa yang ditimbulkan kesalahan ini di lahan pertanian?

5. Apakah ia menjelaskan batas-batas pengetahuannya?

Apakah ia menyajikan tingkat keyakinan atau rentang yang diperkirakan? Dan apakah ia meminta informasi tambahan atau merujuk kasus tersebut kepada manusia ketika buktinya tidak memadai?

6. Berapa biaya untuk mengoperasikan dan memeliharanya?

Perangkat, konektivitas, daya, pelatihan, dukungan, dan pemeliharaan apa yang dibutuhkannya? Dan apa yang terjadi apabila terjadi gangguan atau kerusakan?

7. Bagaimana kita mendeteksi bahwa kinerjanya telah merosot?

Siapa yang memantau hasilnya setelah penerapan? Tanda apa yang menunjukkan perlunya pengujian ulang atau pembaruan? Dan siapa yang menyetujui versi baru itu?

8. Siapa yang memegang keputusan akhir dan kewenangan untuk menghentikannya?

Apakah pengguna mengetahui kapan hasilnya bersifat anjuran? Siapa yang meninjau kasus-kasus berisiko tinggi? Dan dapatkah eksekusi otomatis dihentikan serta sistemnya dikembalikan ke moda yang aman?

Prinsip menyeluruhnya: Sebuah model tidak menjadi lebih baik semata-mata karena angkanya lebih tinggi; ia justru lebih baik ketika ia mengungguli sebuah metode yang realistis, bertahan di lingkungan penggunaannya, menyingkapkan batas-batas pengetahuannya, beroperasi dalam sumber daya yang tersedia, mengurangi kesalahan yang paling merugikan, dan pada akhirnya menghasilkan keputusan yang lebih baik serta luaran yang lebih baik di lahan pertanian.

13. Studi Kasus Pengajaran Terpadu: Bagaimana Citra Sehelai Daun Menjadi Keputusan Pertanian yang Bertanggung Jawab?

Kasus berikut adalah contoh instruksional yang menyatukan konsep-konsep bab ini dalam satu jalur tunggal. Ia tidak memberikan diagnosis atas penyakit tertentu mana pun, tidak pula menguraikan perlakuan, bahan, atau dosis; melainkan menunjukkan bagaimana sistem yang bertanggung jawab seharusnya menangani informasi yang tidak lengkap, dan bagaimana ia bergerak dari sebuah citra awal menuju keputusan yang alasan dan batas-batasnya dapat ditelaah. Seorang petani mendapati bercak-bercak kuning dan cokelat pada sejumlah daun di salah satu bagian lahannya. Ia memotretnya dengan telepon genggam, mengirimkannya ke sebuah sistem asisten, lalu menulis: "Apa masalah ini, dan apa yang harus saya gunakan untuk mengatasinya?" Pertanyaan itu tampak sederhana, tetapi jawaban yang bertanggung jawab tidak bermula dari nama sebuah penyakit atau sebuah bahan. Satu citra tunggal mungkin memperlihatkan sebuah gejala — yakni perubahan yang tampak pada warna atau bentuk daun — tetapi dengan sendirinya ia tidak menetapkan penyebab gejala tersebut. Dalam citra itu, dampak penyakit jamur atau bakteri, kekurangan unsur hara, cekaman air, cedera kimiawi, terbakar sinar matahari, kerusakan akibat serangga, atau lebih dari satu faktor sekaligus, bisa tampak serupa. Karena itu, citra adalah awal dari jalur pemeriksaan, bukan ujungnya. Langkah Pertama — Mengubah Pertanyaan Umum Menjadi Pertanyaan yang Dapat Diperiksa Sistem tidak melompat dari pertanyaan "Apa yang harus saya gunakan?" menuju usulan perlakuan. Sebaliknya, ia menyusun ulang persoalan itu menjadi pertanyaan-pertanyaan yang lebih kecil:

• Apakah muncul tanda-tanda yang dapat dideskripsikan dengan jelas dalam citra tersebut?
• Di bagian daun yang mana tanda-tanda itu berada?
• Apakah polanya terlokalisasi atau menyebar luas?
• Apakah citra itu memadai untuk membedakan sebagian dari kemungkinan-kemungkinan yang ada?
• Informasi apa yang masih kurang sebelum bergerak menuju sebuah diagnosis?
• Adakah tanda yang menuntut peninjauan segera oleh seorang spesialis?

Respons pertama sistem, misalnya, dapat berbunyi: "Citra memperlihatkan area berwarna kuning dan cokelat, tetapi citra saja tidak memadai untuk menetapkan penyebabnya atau memilih perlakuan. Saya akan terlebih dahulu menilai mutu citra, lalu saya memerlukan informasi tentang tanaman, seberapa luas gejala itu menyebar, dan kondisi di sekitarnya." Pembukaan ini menjalankan fungsi penting: ia memisahkan melihat gejala dari mengetahui penyebabnya, dan mencegah sistem mengubah kemiripan visual menjadi kepastian yang tidak dimilikinya. Langkah Kedua — Memverifikasi Bahwa Citra Layak untuk Dianalisis Sebelum menganalisis bercak-bercak itu, aplikasi memeriksa mutu citra itu sendiri. Apa yang tampak sebagai gejala penyakit boleh jadi sesungguhnya adalah bayangan, pantulan cahaya, artefak kompresi citra, atau bagian yang berada di luar fokus. Sistem memeriksa, sejauh mungkin, hal-hal seperti:

• Apakah daun tampak jelas atau kabur karena gerakan?
• Apakah pencahayaannya cukup alami untuk menampilkan warna yang sebenarnya?
• Apakah area yang terdampak terlihat dalam jarak dekat?
• Apakah seluruh daun terlihat, sehingga letak gejala padanya dapat ditentukan?
• Adakah citra permukaan atas dan citra lain permukaan bawah?
• Adakah citra keseluruhan tanaman, bukan hanya daunnya?
• Adakah objek acuan yang membantu memperkirakan ukuran bercak?
• Apakah citra diambil setelah daun basah atau disemprot dengan sesuatu yang mungkin mengubah tampilannya?

Dengan menampilkan "dua permukaan", yang dimaksud adalah memotret permukaan atas daun dan permukaan bawahnya, karena sebagian tanda mungkin lebih jelas pada salah satunya dibandingkan pada yang lain. Jika citra tidak memadai, sistem tidak boleh menghasilkan jawaban yang penuh keyakinan semata-mata karena pengguna sedang menantikannya. Sebaliknya, ia menjelaskan apa yang kurang dan meminta citra diambil ulang, misalnya: "Citra kurang jelas di sekitar tepi bercak. Ambillah citra yang lebih dekat dalam cahaya alami, citra lain dari permukaan bawah daun, lalu tambahkan citra keseluruhan tanaman dan bagian lahan yang terdampak." Perilaku ini bukanlah penghalang bagi pengguna; justru ia melindungi pengguna dari hasil yang berpijak pada masukan yang tidak menopang penarikan simpulan yang andal. Langkah Ketiga — Mendeskripsikan Apa yang Dilihat Perangkat Visi, Tanpa Mengklaim Sebuah Diagnosis Jika citra layak dianalisis, sistem dapat menggunakan model visi komputer untuk menjalankan satu atau beberapa tugas:

• Mengidentifikasi area yang mengalami perubahan warna di dalam citra.
• Memperkirakan proporsi daun yang terdampak.
• Mendeskripsikan bentuk bercak dan sebarannya yang tampak.
• Membandingkan pola tersebut dengan kategori-kategori yang dipelajari model dari citra-citra sebelumnya.
• Mendeteksi bahwa citra tersebut tidak cukup menyerupai kasus-kasus yang menjadi dasar pengujiannya.

Keluarannya harus jelas mengenai batas-batasnya. Jadi, alih-alih sistem menyatakan: "Ini adalah penyakit X." ia dapat menyatakan: "Sistem mendeteksi bercak kuning dan cokelat tak beraturan pada sebagian jaringan daun. Tampilan ini secara visual mirip dengan lebih dari satu kondisi, dan citra yang ada belum memadai untuk menetapkan penyebabnya." Sistem juga dapat menampilkan area yang menjadi fokus perhatiannya dalam citra, sehingga pengguna atau spesialis dapat memverifikasi bahwa yang dianalisisnya adalah jaringan daun yang terdampak, bukan latar belakang atau bayangan di dekatnya. Adapun ungkapan "kategori tidak dikenal", ia tidak berarti bahwa model menemukan sebuah penyakit bernama "tidak dikenal". Yang dimaksudkannya adalah bahwa citra itu tidak cukup padan dengan kategori-kategori yang telah dipelajari sistem untuk dibedakan, atau bahwa mutunya tidak memungkinkan penilaian yang aman. Dalam hal itu, ia harus menampilkan hasil seperti:

• Kasus tersebut tidak terwakili di antara kelas-kelas yang dikenal sistem.
• Citra tidak memadai untuk pembandingan.
• Terdapat tanda-tanda yang tumpang tindih sehingga tidak memungkinkan klasifikasi.
• Diperlukan pemeriksaan oleh manusia atau informasi tambahan.

Di sini muncul sebuah pembedaan penting: model mungkin mampu menentukan letak bercak secara akurat tanpa mampu menetapkan penyebabnya. Keberhasilan pada tugas visual pertama tidak membuktikan keberhasilan dalam diagnosis. Langkah Keempat — Menambahkan konteks lahan pada konteks citra Gejala tanaman tidak dapat dipisahkan dari jenis tanaman, lingkungan, dan pengelolaan. Karena itulah sistem meminta informasi yang dapat mengubah penafsiran atas citra, tetapi lebih baik jangan membanjiri petani dengan berpuluh pertanyaan sekaligus. Ia memulai dengan pertanyaan-pertanyaan yang paling bermanfaat, lalu meminta rincian lebih lanjut bila diperlukan. Mula-mula ia dapat bertanya:

• Apa jenis tanaman dan varietasnya, bila diketahui?
• Berapa umur tanaman atau apa fase pertumbuhannya?
• Kapan gejala itu muncul?
• Apakah gejalanya meningkat cepat, atau tampak stabil?
• Apakah gejala muncul pada satu tanaman atau pada sekelompok tanaman?
• Apakah gejala terpusat di tepi lahan, dalam petak-petak yang terpencar, atau di sepanjang barisan irigasi?
• Apakah gejala bermula pada daun-daun yang lebih tua atau yang lebih muda?
• Adakah tanda tambahan pada sisi bawah daun?
• Apakah gejala telah muncul pada batang, buah, atau akar?
• Apakah telah terjadi irigasi berlebih, terputusnya pasokan air, atau gelombang panas atau periode dingin?
• Apakah sarana produksi pertanian telah digunakan, atau apakah program pemupukan berubah belakangan ini?
• Adakah gejala serupa pada tanaman atau lahan tetangga?

Informasi ini tidak menambahkan 'rincian sampingan'; ia dapat mengubah makna citra secara menyeluruh. Sebaran gejala di sepanjang jalur irigasi dapat mengarahkan penyelidikan pada air, akar, atau peralatan irigasi, sedangkan penyebaran dari satu titik fokus ke tanaman-tanaman di sekitarnya dapat memunculkan serangkaian kemungkinan yang berbeda. Dan kemunculannya pada daun-daun yang lebih tua boleh jadi mengandung makna yang berbeda dari kemunculannya lebih dahulu pada pertumbuhan baru. Sistem juga harus membedakan antara informasi yang dimasukkan pengguna, informasi yang diukur oleh sensor, dan simpulan yang ditarik dari citra. Ia tidak boleh menyajikan semuanya seolah-olah semuanya adalah fakta dengan bobot yang setara. Langkah Kelima — Memeringkat kemungkinan alih-alih menyatakan satu penyebab tunggal Setelah menghimpun citra dan konteks, sistem dapat memeringkat penyebab-penyebab yang mungkin. Di sini, menimbang berarti membandingkan kemungkinan-kemungkinan dalam terang bukti yang tersedia, bukan menyatakan bahwa penyebab dengan peringkat tertinggi telah terbukti. Ia dapat menyajikan hasilnya dalam bentuk berikut:

• Satu kemungkinan konsisten dengan bentuk dan sebaran bercak, tetapi ia tidak disertai tanda yang seharusnya diperiksa pada sisi bawah daun.
• Kemungkinan lain didukung oleh kondisi cuaca belakangan ini, tetapi ia tidak sepenuhnya menjelaskan letak gejalanya.
• Kemungkinan yang berkaitan dengan nutrisi atau irigasi menuntut peninjauan sebaran gejala di lahan serta pengukuran tanah atau air.
• Penyebab-penyebab lain kurang mungkin, tetapi tetap terbuka karena informasinya belum lengkap.

Menyajikan persentase telanjang pun tidak memadai, karena sebuah angka dapat memberi pembaca rasa kepastian yang melampaui apa yang diizinkan oleh buktinya. Sistem harus menjelaskan:

• Bukti apa yang menaikkan setiap kemungkinan?
• Informasi apa yang menurunkannya?
• Data apa yang tidak tersedia?
• Pertanyaan atau pengujian lanjutan apa yang paling efektif membedakan kemungkinan-kemungkinan tersebut?
• Apakah skor keyakinan yang disajikannya telah diuji pada tanaman dan lingkungan yang serupa?

Dalam perumusan teknis, istilah lapisan probabilistik merujuk pada bagian yang menghimpun kepingan-kepingan bukti yang berbeda dan menata ulang urutan kemungkinan ketika informasi baru tiba. Namun bagian ini tidak 'mengetahui kebenaran' dengan sendirinya; melainkan ia menata apa yang didukung data dan apa yang masih belum dapat mereka pastikan. Jadi, apabila pengguna menambahkan citra sisi bawah daun, atau deskripsi tentang bagaimana gejala menyebar, atau hasil sebuah pengujian lapangan atau laboratorium, peringkat itu dapat berubah. Ini bukan tanda adanya pertentangan, melainkan hasil alami dari pemutakhiran penilaian ketika bukti yang lebih kuat tiba. Langkah Keenam — Menelusuri sumber tepercaya yang sesuai dengan konteks Setelah mempersempit kemungkinan-kemungkinan, sistem menelusuri sumber pengetahuan yang telah disetujui. Yang dimaksud dengan sumber yang terkelola bukanlah sembarang halaman yang kebetulan ditemukan oleh sebuah pencarian, melainkan sehimpunan dokumen yang sumbernya, tanggalnya, cakupan keberlakuannya, dan status persetujuannya telah ditentukan. Ini dapat mencakup, bergantung pada tugasnya dan negaranya:

• Dokumen panduan yang diterbitkan oleh otoritas pertanian yang tepercaya.
• Rujukan ilmiah atau diagnostik yang sesuai untuk tanaman tersebut.
• Buletin resmi yang mutakhir.
• Instruksi yang dikeluarkan oleh otoritas regulator yang berwenang.
• Petunjuk penggunaan resmi yang berlaku bagi produk-produk yang terdaftar secara lokal.
• Protokol pengambilan sampel atau perujukan ke laboratorium.

Sebuah sumber tidak menjadi sesuai semata-mata karena ia benar pada dirinya sendiri. Ia boleh jadi diterbitkan oleh negara lain yang produk-produk terdaftarnya berbeda, atau berkenaan dengan varietas yang berbeda, atau sudah usang, atau membahas penyakit dengan gejala serupa pada tanaman lain. Karena itu, sistem harus memadankan, sejauh mungkin:

• Jenis tanaman dan varietasnya.
• Lokasi, atau negara dan kawasannya.
• Tanggal dan versi dokumen.
• Badan yang menerbitkannya.
• Tipe budi daya dan lingkungannya.
• Fase pertumbuhan tanaman.
• Status regulatif bahan atau prosedur tersebut.

Sistem harus menyajikan sumber dalam bentuk yang dapat ditelaah oleh pengguna atau spesialis, dengan menyebutkan judul dokumen, badan penerbit, tanggal, dan bagian yang menjadi sandarannya. Ia juga harus membedakan antara:

• Apa yang dinyatakan secara eksplisit dalam sumber.
• Apa yang disimpulkan sistem dengan menggabungkan beberapa kepingan informasi.
• Apa yang tidak ia temukan dukungan memadai baginya.

Jika ia tidak menemukan sumber yang sesuai, rumusan yang bertanggung jawab adalah: "Saya tidak menemukan, dalam himpunan sumber yang telah disetujui dan tersedia, panduan yang mutakhir dan sesuai untuk tanaman dan kawasan ini yang dapat membenarkan sebuah rekomendasi spesifik. Perlu berkonsultasi dengan seorang spesialis atau otoritas pertanian setempat." Tidak ditemukannya sumber bukanlah kekosongan yang harus diisi model dengan terkaan; melainkan ia adalah informasi penting yang wajib ditampilkan. Langkah Ketujuh — Menghentikan peralihan yang tidak aman dari probabilitas ke perlakuan Setelah probabilitas dan sumber-sumber disajikan, gerbang keselamatan mulai berperan. Yang dimaksud dengannya adalah sehimpunan aturan dan peninjauan yang mencegah sistem mengubah kemiripan visual atau probabilitas yang belum terselesaikan menjadi instruksi perlakuan langsung. Tingkatan keluaran yang berbeda harus dibedakan:

1. Deskripsi umum: Apa yang tampak dalam citra, dan informasi apa yang tidak tersedia?
2. Langkah verifikasi: Apa citra, pemeriksaan, atau kepingan informasi berikutnya yang diperlukan?
3. Panduan pencegahan umum berisiko rendah: Apabila ia didukung oleh sumber yang sesuai dan tidak mengandaikan diagnosis yang belum terkonfirmasi.
4. Diagnosis profesional: Ini boleh jadi menuntut seorang spesialis atau sebuah uji rujukan.
5. Pemilihan bahan, dosis, atau prosedur yang diatur: Ini tunduk pada diagnosis, pendaftaran lokal, petunjuk penggunaan resmi produk yang berlaku, dan kewenangan orang yang berhak mengambil keputusan.

Hadirnya nama sebuah penyakit dalam daftar probabilitas tidak membenarkan perpindahan otomatis ke nama sebuah bahan. Demikian pula, hadirnya sebuah bahan yang disebutkan dalam sumber lama atau sumber yang diterbitkan oleh negara lain tidak menetapkan bahwa bahan itu terdaftar untuk tanaman dan kawasan tersebut, atau bahwa penggunaannya sesuai dengan kasusnya. Gerbang keselamatan dapat menetapkan bahwa keluaran yang tepat adalah:

• Permintaan citra atau informasi tambahan.
• Saran untuk memeriksa bagian tanaman lainnya dan lahan.
• Perujukan kasus tersebut kepada seorang spesialis pertanian.
• Mengikuti instruksi spesialis ketika menyerahkan sampel untuk diperiksa.
• Verifikasi kepada otoritas regulator yang berwenang di negara atau kawasan tersebut.
• Menahan diri dari mengusulkan suatu bahan atau dosis karena diagnosis atau sumbernya tidak memadai.
• Menerbitkan peringatan mendesak apabila indikator yang tersedia menuntut intervensi profesional yang cepat, seraya menyatakan alasan peringatan itu tanpa mengklaim diagnosis yang definitif.

Sistem tidak boleh berpuas diri dengan frasa umum seperti "konsultasikan dengan ahli" setiap kali, karena hal itu membuat manfaatnya terbatas. Lebih baik ia menjelaskan mengapa perkara itu menuntut seorang spesialis, informasi apa yang harus disiapkan, dan pertanyaan apa yang perlu dituntaskan oleh spesialis tersebut. Langkah Kedelapan — Mengambil keputusan, mendokumentasikan apa yang terjadi, dan menindaklanjuti hasilnya Setelah bukti dan batas-batasnya disajikan, keputusan tetap berada di tangan petani atau spesialis yang berwenang, bergantung pada jenis tindakan dan tingkat risikonya. Hasilnya dapat berupa permintaan pemeriksaan lanjutan, pemantauan kasus selama jangka waktu tertentu, pelaksanaan sebuah pengujian, atau pelaksanaan intervensi yang disetujui spesialis sesuai dengan ketentuan setempat. Sistem mencatat, dengan persetujuan pengguna dan sesuai dengan kaidah privasi, butir-butir seperti:

• Citra dan informasi yang menjadi dasar analisis.
• Waktu ketika hasil diterbitkan.
• Probabilitas yang disajikan dan tingkat keyakinannya.
• Sumber-sumber yang diambil beserta versinya.
• Data yang tidak tersedia.
• Peringatan atau alasan menahan diri.
• Keputusan yang diambil oleh pengguna atau spesialis.
• Apa yang sesungguhnya dilaksanakan.
• Hasil atau perubahan kemudian yang muncul.

Umpan balik berarti informasi yang kembali ke sistem setelah keputusan diambil: apakah spesialis mengonfirmasi suatu penyebab tertentu? Apakah pengujian menghasilkan hasil rujukan? Apakah gejalanya berubah? Apakah tindakannya benar-benar dilaksanakan? Namun, apa yang ditulis pengguna sesudahnya tidak secara otomatis menjadi fakta yang dapat disandari untuk pelatihan. Pengguna mungkin mengira diagnosisnya benar karena mereka melihat adanya perbaikan, padahal perbaikan itu boleh jadi sesungguhnya berasal dari perubahan cuaca, irigasi, atau faktor lain. Mereka juga mungkin memasukkan nama yang tidak tepat, atau mengaitkan hasilnya dengan tindakan yang tidak dilaksanakan sebagaimana tercatat. Karena itu, informasi susulan tetap memiliki kekuatan yang beragam:

• Pengamatan pengguna berguna untuk tindak lanjut.
• Konfirmasi seorang spesialis lebih kuat daripada terkaan awal.
• Hasil uji rujukan bisa jadi lebih kuat untuk tugas tertentu.
• Perbaikan setelah suatu tindakan tidak dengan sendirinya membuktikan bahwa diagnosis atau tindakan itulah yang menyebabkan perbaikan tersebut.

Sebelum informasi ini digunakan untuk memutakhirkan model, mutunya harus ditinjau, sumbernya diverifikasi, pihak yang menyetujuinya diidentifikasi, dan model yang telah dimutakhirkan itu kemudian diuji sebelum dirilis. Jika tidak, sistem dapat belajar dari kesalahan-kesalahan lamanya dan mengulanginya dengan keyakinan yang lebih besar. Seperti apa jawaban itu mungkin tampak di hadapan petani? Setelah melewati tahap-tahap awal, sistem dapat menyajikan jawaban seperti: "Citra memperlihatkan bercak kuning dan cokelat pada jaringan daun, tetapi tampilan ini dapat berasal dari lebih dari satu penyebab, dan citra yang ada belum memadai untuk mengonfirmasi diagnosis atau memilih perlakuan. Kirimkan citra yang jelas dari permukaan bawah daun, citra keseluruhan tanaman, dan sebutkan jenis tanaman serta fase pertumbuhannya, kapan gejala bermula, dan apakah gejala muncul pada tanaman-tanaman di sebelahnya atau di sepanjang jalur irigasi. Setelah informasi ini lengkap, kemungkinan-kemungkinan dapat diperingkat dan pengujian berikutnya dapat ditentukan. Saya tidak akan mengusulkan suatu bahan atau dosis sampai ada diagnosis, sumber yang sesuai untuk kawasan tersebut, dan verifikasi terhadap petunjuk penggunaan resmi produk yang berlaku." Jawaban ini tidak membiarkan petani tanpa bantuan, dan pada saat yang sama tidak memberinya kepastian yang semu. Ia memperjelas apa yang dilihat sistem, apa yang tidak dapat ditetapkannya, informasi apa yang diperlukan, dan mengapa ia tidak langsung beranjak ke perlakuan. Di manakah perjalanan ini dapat gagal? Kasus ini menunjukkan bahwa kesalahan tidak terletak pada model citra semata. Ia dapat terjadi pada setiap tahap:

• Citra boleh jadi tidak dapat digunakan, tetapi aplikasi menerimanya.
• Model boleh jadi berfokus pada bayangan atau latar belakang alih-alih pada bercak.
• Kasus tersebut boleh jadi tidak terwakili dalam data pelatihan.
• Pengguna boleh jadi memasukkan nama tanaman atau lokasi yang keliru.
• Sistem boleh jadi mengaitkan citra itu dengan konteks lahan yang lain.
• Sistem boleh jadi memeringkat probabilitas dengan keyakinan yang melampaui apa yang diizinkan buktinya.
• Sistem boleh jadi mengambil sumber yang benar, tetapi sumber itu sudah usang atau tidak sesuai untuk negara tersebut.
• Antarmuka boleh jadi meringkas sumber dengan cara yang mengubah maknanya.
• Informasi umum boleh jadi berubah menjadi rekomendasi perlakuan yang tidak berwenang.
• Jawaban boleh jadi datang terlambat, setelah kondisinya berubah.
• Sistem boleh jadi mencatat sebuah keputusan yang baru diusulkan seolah-olah keputusan itu benar-benar telah dilaksanakan.
• Sebuah pengamatan yang tidak terdokumentasi boleh jadi masuk ke dalam data pelatihan sebagai diagnosis yang terkonfirmasi.

Karena itu, tidak cukup mengatakan bahwa "model mengenali citra". Kita perlu mengetahui bagaimana citra itu menjadi sebuah probabilitas, bagaimana probabilitas itu dikaitkan dengan sumber, bagaimana simpulan yang tidak aman dicegah, siapa yang mengambil keputusan, dan bagaimana hasilnya didokumentasikan. Bagi pembaca tingkat lanjut: kasus ini menyatukan beberapa fungsi yang berbeda, yang masing-masingnya harus dievaluasi secara terpisah: mutu citra, pelokalan gejala, klasifikasi pola visual, pendeteksian kasus yang tidak lazim, penghimpunan konteks, pemeringkatan probabilitas, pengambilan sumber, verifikasi kesesuaiannya, perumusan jawaban, penerapan aturan keselamatan, perujukan kepada manusia, dan penindaklanjutan hasil. Keberhasilan satu fungsi tidak boleh dijadikan bukti keberhasilan fungsi-fungsi lainnya. "Penutupan diagnostik yang prematur" juga harus dihindari — yakni berhenti pada penjelasan pertama yang tampak meyakinkan — dan sebagai gantinya orang seharusnya mencari bukti yang mendukungnya dan bukti yang mungkin menyanggahnya. Jika perjalanan itu berhenti setelah mengidentifikasi pola yang tampak dalam citra, maka yang kita hadapi adalah sebuah perangkat analisis citra. Jika konteks dan pemeringkatan probabilitas ditambahkan, maka yang kita hadapi adalah sebuah asisten penalaran awal. Jika ia dikaitkan dengan sumber-sumber yang sesuai, aturan keselamatan, jalur tinjauan manusia, dokumentasi, dan tindak lanjut, maka yang kita hadapi adalah sebuah sistem pendukung keputusan. Perbedaan antara tingkatan-tingkatan ini tidak selalu tampak pada keanggunan antarmuka atau kefasihan jawabannya; melainkan ia tampak pada pertanyaan-pertanyaan yang diajukan sistem, asumsi-asumsi yang diungkapkannya, sumber-sumber yang disediakannya untuk ditelaah, dan batas-batas yang tidak ia izinkan dirinya lampaui. Prinsip yang menaungi semuanya: citra sehelai daun mungkin menyingkapkan di mana pertanyaan bermula, tetapi ia dengan sendirinya tidak menetapkan di mana jawabannya berakhir; dan keputusan yang bertanggung jawab adalah keputusan yang menghubungkan apa yang dilihat sistem dengan apa yang diketahuinya tentang konteks, apa yang dapat ditetapkannya dari sumber-sumber, dan apa yang harus tetap berada di bawah pertimbangan manusia.

14. Apa yang Sebaiknya Tetap Melekat pada Pembaca dari Bab Ini?

Apa yang sebaiknya tinggal pada pembaca dari bab ini? Pembaca tidak perlu menghafal nama-nama algoritma, atau mengetahui rincian bagaimana algoritma itu dibangun, untuk dapat berpikir jernih tentang kecerdasan buatan pertanian. Yang penting adalah melihat kaitan di antara empat hal: pertanyaan yang ingin kita jawab, data yang kita miliki, hasil yang dihasilkan sistem, dan tindakan yang mungkin berlangsung di lahan pertanian atas dasar itu. Sistem yang menganalisis citra sehelai daun tidak menjalankan tugas yang sama dengan sistem yang memprediksi hasil panen. Sistem yang memperkirakan kebutuhan air suatu tanaman tidak menjalankan tugas yang sama dengan perangkat perencanaan yang memilih kapan pompa dinyalakan. Demikian pula, menerbitkan sebuah peringatan tidaklah sama dengan mengambil sebuah keputusan, mengambil sebuah keputusan tidaklah sama dengan melaksanakan sebuah tindakan, dan melaksanakan sebuah tindakan semata tidak menjamin membaiknya luaran pertanian. Ketika berhadapan dengan aplikasi, perangkat, atau presentasi penjualan apa pun, pembaca dapat menata penilaiannya ke dalam empat kelompok pertanyaan. Pertama — masalah apa yang hendak dipecahkan sistem? Mulailah dari tujuannya, bukan dari nama teknologinya:

• Masalah pertanian spesifik apa yang ditangani sistem tersebut?
• Siapa pengguna yang dituju: petani, penyuluh, dokter hewan, manajer operasi, atau peneliti?
• Apakah ia menggambarkan apa yang sedang terjadi sekarang, atau memprediksi apa yang mungkin terjadi kemudian?
• Apakah ia menyajikan probabilitas, mengusulkan sebuah keputusan, atau mengeksekusi sebuah tindakan pada sebuah mesin?
• Keputusan apa yang semestinya berubah karena hasil tersebut?
• Apakah keluarannya tiba selagi intervensi masih dapat bermanfaat?

Sebuah perusahaan mungkin menyatakan bahwa sistemnya 'mendeteksi penyakit tanaman', tetapi deskripsi itu dapat menyembunyikan tugas-tugas yang sangat berbeda. Apakah ia hanya mengidentifikasi adanya perubahan pada daun? Apakah ia membandingkan citra dengan sejumlah kasus yang terbatas? Apakah ia memeringkat penyebab-penyebab yang mungkin? Apakah ia menyediakan sumber? Apakah ia mengusulkan sebuah perlakuan? Masing-masing tingkatan ini melibatkan data, risiko, dan tanggung jawab yang berbeda. Orang juga patut menanyakan apa makna hasil itu sendiri. Jika sistem menampilkan angka 0,82, apa artinya? Apakah itu sebuah probabilitas? Sebuah skor kemiripan? Sebuah proporsi area yang terdampak? Dan jika ia memprediksi hasil panen 4,7, apa satuannya: ton per hektare, per feddan, atau untuk keseluruhan lahan pertanian? Dan periode waktu mana yang dirujuknya? Sebuah keluaran yang satuan, waktu, atau kaitannya dengan keputusan tidak diketahui mungkin tampak presisi, tetapi ia tidak menopang tindakan yang bertanggung jawab. Kedua — apa yang diketahui sistem, dan apa yang tidak dapat diketahuinya? Setiap model bergantung pada data yang menjadi bahan pembelajarannya, atau pada aturan dan sumber yang dipasok kepadanya. Maka patut ditanyakan:

• Data jenis apa yang menjadi dasar pembangunannya?
• Dari mana data itu berasal?
• Siapa yang memverifikasi mutunya?
• Apakah data itu mewakili tanaman, varietas, musim, dan lingkungan tempat sistem akan digunakan?
• Apakah data itu mencakup kasus-kasus dini, campuran, dan sulit, atau hanya kasus-kasus yang jelas?
• Informasi apa yang tidak dapat dilihat atau diakses sistem?
• Apa yang terjadi jika citranya buruk, pembacaannya tidak lengkap, atau sensornya rusak?
• Apakah ia membedakan antara apa yang benar-benar diukurnya, apa yang dimasukkan pengguna, dan apa yang disimpulkannya sendiri?

Suatu model citra tanaman dapat belajar dari contoh-contoh yang masing-masing terkait dengan kelas rujukan yang telah diverifikasi oleh pakar. Suatu model hasil panen dapat belajar dari catatan-catatan yang terkait dengan nilai rujukan yang diukur setelah panen. Apabila kelas rujukan atau pengukuran tersebut tidak akurat, kekeliruan itu masuk ke dalam proses pembelajaran itu sendiri. Kemiripan antara data pelatihan dan lingkungan lahan pertanian pun bukan rincian sekunder. Model yang dilatih pada citra daun tunggal di laboratorium bisa jadi kesulitan di lahan tempat daun-daun saling bertumpang tindih dan cahaya berubah-ubah. Sistem yang dilatih pada lahan pertanian luas dengan cakupan sensor yang teratur bisa jadi tidak mempertahankan kinerjanya pada lahan petani kecil yang mengandalkan pengukuran terputus-putus. Pertanyaan pentingnya bukan hanya, 'Apa yang dilihat sistem itu?' melainkan juga: Apa yang tidak dapat dilihatnya, padahal keputusan bergantung padanya? Sebuah citra tidak selalu mengungkap kondisi akar, tidak dengan sendirinya menjelaskan riwayat pengairan dan pemupukan, dan tidak membuktikan adanya agen penyebab penyakit. Pembacaan kelembapan di satu titik belum tentu menggambarkan keseluruhan sektor. Dan sebuah catatan digital tidak selalu menunjukkan apakah tindakan yang dicatat itu benar-benar dilaksanakan. Ketiga — bagaimana kita tahu bahwa sistem itu benar-benar bekerja? Tidak cukup sebuah produk menampilkan persentase tinggi atau uji coba yang berhasil. Sepatutnya ditanyakan:

• Dengan apa sistem itu dibandingkan?
• Apakah ia mengungguli metode yang sedang digunakan saat ini, atau sekadar tolok ukur dasar yang lemah?
• Apakah ia diuji pada lahan pertanian, musim, atau perangkat yang tidak termasuk dalam pelatihannya?
• Jenis kesalahan mana yang lebih serius dalam tugas ini?
• Seberapa sering kesalahan itu terjadi?
• Apakah hasilnya disajikan untuk setiap kasus penting, atau tersembunyi di dalam rata-rata keseluruhan?
• Apakah hanya modelnya yang ditunjukkan berhasil, atau seluruh sistemnya diuji?
• Adakah bukti tentang pengaruh terhadap keputusan dan luaran pertanian, ataukah hanya terhadap akurasi prediksi?

Metode yang sedang digunakan saat ini, atau aturan realistis yang paling sederhana yang dengannya kita membandingkan sistem baru, disebut tolok ukur dasar untuk perbandingan atau 'kondisi dasar'. Tolok ukur dasar itu dapat berupa pemeriksaan oleh pakar, rata-rata musim-musim sebelumnya, jadwal irigasi yang dikalibrasi secara lokal, atau sistem lama yang sudah digunakan. Pertanyaannya bukanlah apakah model itu mengungguli ketiadaan pembanding, melainkan: Apakah ia menambahkan nilai melampaui metode realistis yang sudah tersedia, dan apakah nilai itu sepadan dengan biaya penggunaannya? Pengujian juga sepatutnya menyerupai kondisi penggunaan yang nyata. Jika citra tanaman yang sama, atau citra berurutan yang sangat mirip, masuk baik ke data pelatihan maupun data pengujian, hasilnya bisa tampak sangat baik karena model sesungguhnya telah melihat sesuatu yang serupa dengan bahan ujinya. Inilah salah satu bentuk kebocoran data: informasi atau contoh-contoh yang berkaitan erat sampai ke himpunan uji padahal seharusnya tetap terpisah darinya. Perlu pula dibedakan tiga jenis bukti:

1. Bukti kinerja model:

Ia menunjukkan bahwa model mengklasifikasikan citra atau memprediksi nilai dengan baik dalam suatu pengujian tertentu.

2. Bukti kinerja sistem:

Ia menunjukkan bahwa pengumpulan data, pemeriksaan mutu, analisis, penyajian hasil, komunikasi, dan pelaksanaan bekerja bersama-sama dalam kondisi dunia nyata.

3. Bukti dampak pertanian:

Ia menunjukkan bahwa penggunaan sistem itu menghasilkan keputusan yang lebih baik, mengurangi kerugian, menghemat suatu sumber daya, atau memperbaiki suatu luaran di lahan pertanian.

Dan jenis yang pertama tidak dengan sendirinya menegakkan dua jenis lainnya. Prediksi bisa saja benar, tetapi peringatannya datang terlambat. Atau ia bisa datang tepat waktu, tetapi pengguna tidak memiliki sumber daya yang dibutuhkan untuk melaksanakan rekomendasi itu. Dan keputusan itu bisa saja dilaksanakan, tetapi pengaruhnya berbeda karena suatu faktor yang tidak diperhitungkan oleh sistem. Keempat — Apa yang terjadi ketika sistem tidak mengetahui, atau ketika ia gagal? Sistem yang bertanggung jawab tidak berlaku seolah-olah semua kasus sudah dikenalnya, semua data lengkap, dan semua perangkat selalu berfungsi. Karena itu, kita sepatutnya bertanya:

• Apakah ia menyatakan dengan jelas bahwa buktinya tidak memadai ketika kasusnya ambigu?
• Apakah ia memberikan rentang atau tingkat keyakinan alih-alih angka yang definitif?
• Dapatkah ia meminta informasi tambahan?
• Dapatkah ia menahan diri untuk tidak memberikan diagnosis atau rekomendasi ketika ia tidak memiliki dasar yang memadai?
• Apa yang dilakukannya jika sensor, koneksi, atau pasokan listrik terputus?
• Apakah ia beralih ke mode aman, atau melanjutkan berdasarkan data lama?
• Siapa yang meninjau kasus-kasus yang belum terselesaikan?
• Siapa yang berwenang menghentikan pelaksanaan atau membatalkannya?
• Bagaimana tim mendeteksi bahwa kinerja telah merosot setelah pembelian atau penerapan?
• Siapa yang menyetujui pembaruan dan rilis baru?

Ketidakpastian berarti bahwa bukti tidak mendukung semua kemungkinan luaran dengan kekuatan yang sama. Citranya bisa jelas dan serupa dengan yang dipelajari model, atau bisa pula tidak lengkap dan menggambarkan kasus yang belum pernah dilihatnya. Sensor-sensor bisa saling bersesuaian, atau pembacaannya bisa saling bertentangan. Adapun penahanan diri untuk tidak menjawab, ia berarti bahwa sistem tidak memaksakan diri mengeluarkan penilaian ketika bukti tidak memungkinkannya. Ia dapat menyatakan: "Data saat ini tidak memadai untuk menentukan kondisi secara aman. Kirimkan citra tambahan, periksa sensor, atau rujuk kasus ini kepada spesialis." Ini bukan tanda kelemahan apabila digunakan pada tempat yang tepat. Sebuah jawaban yang menyatakan batas-batasnya dan menunjukkan langkah berikutnya bisa jadi lebih berguna daripada jawaban definitif yang tidak didukung bukti yang memadai. Namun penahanan diri juga menuntut keseimbangan. Sistem yang menahan diri pada sebagian besar kasus bisa jadi kurang bermanfaat, dan sistem yang tidak pernah menahan diri bisa jadi berbahaya. Yang dibutuhkan adalah menentukan kasus-kasus ketika ia harus menjawab, kasus-kasus ketika ia harus meminta informasi tambahan, dan kasus-kasus ketika kewenangan berpindah kepada manusia yang berkualifikasi. Ketika data atau koneksi gagal, tidak cukup manual teknis menyatakan bahwa sistem "mendukung pengoperasian luring". Kita perlu mengetahui apa yang sebenarnya masih tersedia, kapan data terakhir kali diperbarui, apakah pengguna dapat membedakan antara pembacaan langsung dan pembacaan lama, dan bagaimana kembali ke mode pengoperasian manual yang aman. Pertanyaan-pertanyaan ini tidak bertentangan dengan inovasi Pertanyaan-pertanyaan di atas mungkin tampak banyak, tetapi semuanya tidak dimaksudkan untuk menghalangi teknologi atau menolaknya. Semua itu membantu memindahkan inovasi dari sebuah demonstrasi yang mengasyikkan menjadi alat yang dapat dipercaya, digunakan, dan ditinjau. Teknologi yang matang dapat menjelaskan:

• Tugas yang dijalankannya.
• Data yang menjadi sandarannya.
• Kondisi-kondisi ketika ia diuji.
• Jenis-jenis kesalahan yang dibuatnya.
• Batas-batas hasil yang dihasilkannya.
• Apa yang terjadi ketika data hilang atau peralatan gagal.
• Siapa yang memegang keputusan akhir.
• Bagaimana kinerja dipantau setelah penggunaan dimulai.

Namun teknologi yang menyembunyikan pertanyaan-pertanyaan ini di balik nama sebuah model terkenal, sebuah persentase umum, atau antarmuka yang memukau masih memerlukan kematangan, betapapun fasih penyajiannya. Kepercayaan tidak lahir dari ketiadaan pertanyaan, melainkan dari kemampuan sistem dan pihak yang bertanggung jawab atasnya untuk menjawabnya dengan bukti yang jelas.

Ringkasan Bab

Tidak ada satu metode pun yang terbaik untuk semua masalah pertanian, dan metode-metode kecerdasan buatan pun tidak berjalan menaiki tangga yang niscaya berujung pada model terbesar atau terbaru. Setiap metode memiliki jenis pertanyaan yang ditanganinya dengan baik, jenis data yang dibutuhkannya, dan batas-batas yang sepatutnya dipahami. Apa yang telah disajikan bab ini dapat ditata menurut fungsi yang dijalankan oleh metode tersebut. Metode-metode yang belajar dari contoh dengan luaran yang diketahui Dalam pembelajaran terawasi, model mempelajari hubungan antara masukan dan luaran rujukan yang terkait dengannya. Masukannya bisa berupa citra daun, dan luaran rujukannya bisa berupa kondisi yang telah dikonfirmasi oleh spesialis. Atau masukannya bisa berupa data cuaca, tanah, dan pengelolaan, sementara luaran rujukannya berupa nilai hasil panen yang diukur setelah panen. Kekuatan metode ini terletak pada penggunaannya atas contoh-contoh sebelumnya untuk memprediksi luaran baru. Keterbatasan mendasarnya adalah bahwa ia belajar dari cara contoh-contoh itu disusun, termasuk kesalahan, bias, dan kesempitan keterwakilannya. Adapun pembelajaran semi-terawasi, ia bersandar pada sejumlah terbatas contoh yang telah ditinjau oleh spesialis, berdampingan dengan sejumlah lebih besar citra atau catatan yang luarannya belum ditentukan. Hal ini dapat mengurangi beban peninjauan, tetapi tidak menutupi lemahnya contoh-contoh yang terdokumentasi atau terbatasnya keragaman di antaranya. Metode-metode yang mencari pola tanpa jawaban siap pakai untuk setiap contoh Dalam pembelajaran tanpa pengawasan, sistem mencari kemiripan dan perbedaan di dalam data. Ia dapat membagi lahan menjadi zona-zona dengan kelembapan atau hasil panen yang serupa, atau mendeteksi catatan-catatan yang menyimpang dari pola yang lazim. Namun sebuah gugus yang ditemukan sistem bukanlah, dengan sendirinya, sebuah diagnosis pertanian. Dua zona bisa jadi serupa secara komputasional karena sebab-sebab yang berbeda. Peran algoritme adalah mengungkap pola yang layak diperiksa; menafsirkan penyebabnya menuntut konteks lapangan, pemeriksaan, dan keahlian. Deteksi anomali termasuk dalam wilayah ini pada banyak aplikasi. Sistem dapat mengarahkan perhatian pada sensor yang mulai menyimpang, hewan yang aktivitasnya berubah, atau konsumsi air yang bergerak keluar dari rentang yang lazim. Tetapi hal itu tidak dengan sendirinya menegakkan bahwa telah terjadi suatu penyakit atau kerusakan. Metode-metode yang menganalisis citra dan perubahan sepanjang waktu Visi komputer menggunakan citra atau video untuk mengklasifikasikan suatu kondisi, menentukan lokasi suatu objek, menggariskan batas-batas area yang terdampak, atau melacak suatu objek di sepanjang bingkai-bingkai berurutan. Namun melihat sebuah bercak tidak berarti mengetahui penyebabnya, dan menemukan lokasi gulma tidak berarti mesin dapat menyingkirkannya dengan aman. Keluaran visi bisa jadi merupakan masukan bagi tahap inferensi atau kendali berikutnya, alih-alih sebuah keputusan yang utuh. Adapun metode-metode yang menganalisis perubahan sepanjang waktu, semuanya menelaah rangkaian pembacaan: bagaimana kelembapan berubah? Apakah aktivitas hewan itu meningkat atau menurun? Apa kecenderungan yang diperkirakan pada hasil panen atau kebutuhan air? Metode-metode ini menuntut perhatian pada musiman, kondisi yang berubah, kesenjangan dalam pengukuran, serta keharusan untuk tidak mengandaikan bahwa pola masa lalu akan selalu berlanjut. Metode-metode yang merepresentasikan probabilitas dan memisahkan prediksi dari pengaruh intervensi Model probabilistik membantu mengungkapkan ketidakpastian alih-alih menyembunyikannya. Model-model itu dapat memeringkat beberapa penjelasan yang mungkin, menyajikan rentang bagi hasil panen yang diperkirakan, atau memutakhirkan probabilitasnya ketika informasi baru tiba. Namun probabilitas tidaklah berguna semata-mata karena ia tampil sebagai persentase; keandalan skor keyakinan harus diuji, dan harus ditunjukkan apakah kasus tersebut menyerupai lingkungan-lingkungan tempat sistem itu diuji. Adapun inferensi kausal, ia menjawab pertanyaan yang lebih sulit daripada prediksi. Prediksi bertanya, 'Apa yang diperkirakan akan terjadi?' sedangkan pertanyaan kausal bertanya, 'Apa yang diperkirakan berubah jika kita melakukan intervensi?' Suatu model bisa saja berhasil memprediksi hasil panen dari data tanah dan pengelolaan tanpa menegakkan bahwa menambah salah satu masukan akan menaikkan hasil panen. Beranjak dari mengamati suatu hubungan menuju merekomendasikan suatu intervensi menuntut bukti yang lebih kuat, rancangan yang tepat, pengetahuan pertanian, serta batas-batas lingkungan dan regulasi. Metode-metode yang membandingkan alternatif atau menangani tindakan yang berurutan Perencanaan dan optimisasi matematis membantu mengalokasikan sumber daya dan menimbang pertukaran kepentingan antarrencana dalam kendala-kendala yang jelas. Keduanya dapat mendistribusikan sejumlah air yang terbatas ke beberapa sektor sembari memperhitungkan fase pertumbuhan, kapasitas pompa, energi, dan waktu pengoperasian. Namun rencana yang dihasilkan mencerminkan tujuan dan kendala yang ditetapkan oleh perancangnya. Apabila tujuan itu mengabaikan kesehatan tanaman atau keadilan antarsektor, alat tersebut dapat menghasilkan rencana yang berhasil secara komputasional namun tidak dapat diterima secara pertanian. Adapun pembelajaran penguatan, ia menangani rangkaian tindakan yang mengubah keadaan lingkungan. Sistem dapat memilih suatu tindakan, mengamati hasilnya, lalu menyesuaikan pilihan-pilihannya untuk memperbaiki tujuan jangka panjang. Namun, jenis pembelajaran ini menuntut penjelajahan atas hasil-hasil tindakan, dan sistem tidak boleh mencoba tindakan-tindakan berbahaya di lahan demi mempelajari bahwa tindakan itu tidak aman. Karena itu, ia menuntut simulasi, pengujian bertahap, kendala keselamatan yang eksplisit, dan kewenangan manusia untuk menghentikannya. Metode-metode yang membuka pintu dialog dengan pengetahuan Model bahasa dapat meringkas teks, menerjemahkannya, mengekstraksi informasi, dan merumuskan jawaban dalam bahasa alami. Model-model itu memudahkan akses terhadap pengetahuan, karena petani dapat bertanya dalam bahasanya sendiri alih-alih menyusuri menu yang rumit. Namun kefasihan sebuah jawaban tidak membuktikan kebenarannya. Suatu model dapat menghasilkan pernyataan yang meyakinkan tanpa dukungan yang memadai. Karena itu, ia dapat dihubungkan dengan alur kerja yang menelusuri sumber-sumber otoritatif dan mengambil kutipan-kutipan yang relevan sebelum merumuskan jawabannya. Pengambilan tidak dengan sendirinya menjamin kebenaran jawaban; sistem bisa saja menemukan sumber yang benar namun tidak sesuai untuk tanaman, negara, atau tanggal tersebut. Jawaban itu harus membedakan antara apa yang tercantum dalam sumber, apa yang disimpulkan oleh sistem, dan apa yang menuntut penilaian seorang spesialis. Alat-alat yang membantu kita memeriksa hasil Alat-alat kecerdasan buatan yang dapat dijelaskan berupaya menunjukkan apa yang memengaruhi hasil model: bagian-bagian dari citra, pembacaan yang terkait dengan prediksi, contoh-contoh serupa, atau suatu perubahan yang mungkin mengubah keluaran model. Alat-alat ini dapat membantu pengembang menemukan suatu kesalahan, atau membantu spesialis meninjau suatu hasil. Namun semua itu menjelaskan apa yang digunakan model, dan tidak serta-merta menegakkan apa yang menyebabkan fenomena itu di lapangan. Penjelasan yang meyakinkan tidak mengubah hasil yang keliru menjadi hasil yang benar, dan tidak pula menutupi lemahnya data atau ketiadaan pengujian eksternal. Metode adalah bagian dari rantai yang lebih besar Tidak satu pun dari metode-metode ini bekerja di ruang hampa. Sistem pertanian biasanya melewati sebuah rantai yang bermula dari realitas dan berakhir dengan pengaruh baru terhadapnya: Realitas lapangan → pengukuran atau citra atau catatan → pemeriksaan mutu data → estimasi atau prediksi → aturan dan konteks → keputusan → pelaksanaan → dampak pertanian → tindak lanjut Rantai itu dapat gagal pada mata rantai mana pun:

• Sensor dapat menghasilkan pembacaan yang keliru atau dalam satuan yang tidak diduga.
• Suatu citra dapat dikaitkan dengan luaran rujukan yang tidak akurat.
• Citra tanaman yang sama dapat masuk baik ke pelatihan maupun pengujian, sehingga hasilnya tampak lebih baik daripada kemampuannya yang sebenarnya untuk menggeneralisasi.
• Model dapat belajar dari lingkungan yang tidak menyerupai lahan pertanian tempat ia akan beroperasi.
• Prediksi bisa saja benar, tetapi aturan keputusan menerjemahkan maknanya secara keliru.
• Suatu tujuan komputasional dapat dipilih dengan mengabaikan suatu kendala pertanian atau lingkungan.
• Sistem dapat mengambil sumber yang tidak berkaitan dengan tanaman atau wilayah tersebut.
• Jawaban berbahasa alami dapat tampak lebih dapat diandalkan daripada bukti yang mendasarinya.
• Peringatan dapat tiba setelah jendela waktu untuk intervensi berlalu.
• Perintah yang benar dapat dikeluarkan, tetapi peralatan gagal melaksanakannya.
• Pengguna bisa jadi tidak memiliki sumber daya atau kewenangan yang dibutuhkan untuk menerapkan rekomendasi itu.
• Realitas dapat berubah sepanjang waktu sementara sistem terus berjalan seolah-olah kondisi tidak berubah.

Karena itu, membandingkan dua algoritme tidak selalu memadai. Perbedaan di antara keduanya bisa jadi kecil, sementara pengaruh mutu sensor, kejelasan antarmuka, keselamatan pelaksanaan, atau kapasitas tim untuk menanggapi bisa jauh lebih besar. Kontrak yang menautkan teknologi dengan keputusan Pesan bab ini dapat diringkas dalam pernyataan berikut: Metode teknis adalah bagian dari sebuah kontrak yang jelas yang menautkan pertanyaan, data, keluaran, tindakan, dan tanggung jawab. Yang dimaksud bukanlah kontrak hukum, melainkan kesepakatan intelektual dan praktis yang syarat-syaratnya harus jelas:

1. Pertanyaan: Masalah spesifik apa yang hendak kita pecahkan?
2. Data: Bukti apa yang memungkinkan kita menjawabnya, dan apa batas mutu serta keterwakilannya?
3. Keluaran: Apa yang akan dihasilkan sistem, dalam satuan apa, dan dengan tingkat keyakinan berapa?
4. Kesalahan: Bagaimana ia mungkin gagal, dan kesalahan mana yang paling merugikan?
5. Tindakan: Keputusan atau tindakan apa yang mungkin dilandaskan pada keluaran itu?
6. Tanggung jawab: Siapa yang meninjau, menyetujui, melaksanakan, menghentikan, dan memantau dampaknya?

Apabila algoritme dipilih sebelum butir-butir ini dipahami, ia menjadi sekadar nama teknis yang mencari-cari masalah. Namun apabila rancangan bermula dari keputusan yang dibutuhkan, data yang tersedia, konsekuensi kesalahan, dasar perbandingan yang realistis, dan kendala pengoperasian, maka algoritme dapat menjadi alat yang presisi di dalam sistem yang lebih besar yang dipimpin, ditinjau, dan dimintai pertanggungjawaban oleh manusia. Pemahaman yang sesungguhnya tentang kecerdasan buatan pertanian tidak bermula ketika kita menghafal nama-nama model, melainkan ketika kita mampu bertanya:

• Apa yang sesungguhnya dilihat oleh sistem itu?
• Apa yang disimpulkannya?
• Apa yang tidak mampu diketahuinya?
• Bukti apa yang mendukung hasil tersebut?
• Tindakan apa yang akan ditimbulkannya?
• Siapa yang memikul tanggung jawab atas tindakan itu?
• Apa yang terjadi jika hasilnya keliru?

Kita memetik manfaat dari kecepatan kecerdasan buatan ketika tugasnya jelas, datanya sesuai, dan batas-batasnya eksplisit. Kita berhenti untuk mencari suatu pengukuran, suatu sumber, atau seorang spesialis ketika hasilnya melampaui apa yang dapat ditegakkan oleh bukti. Sintesis: Jangan hanya bertanya, "Apakah sistem ini cerdas?" Bertanyalah, "Apa yang diketahuinya, bagaimana ia sampai mengetahuinya, apa yang tidak diketahuinya, dan apa yang akan terjadi di lapangan jika kita memercayainya?" Catatan tentang bukti dan batas-batas penyandaran Kedua tinjauan [SRC001] dan [SRC002] mendukung gambaran umum tentang luasnya aplikasi kecerdasan buatan dan visi komputer dalam ranah pertanian dan pangan, tanpa menyiratkan bahwa setiap aplikasi cocok untuk semua tanaman dan lingkungan. [SRC035] mendukung pandangan bahwa sistem pertanian digital adalah rantai yang saling terhubung yang mencakup penginderaan, data, konteks, keputusan, dan tindakan, yang membenarkan evaluasi sistem secara keseluruhan alih-alih bersandar pada keluaran model semata. [SRC006] digunakan sebagai contoh terbatas tentang prediksi hasil panen dan penggunaan alat-alat interpretabilitas dalam suatu latar penelitian tertentu. Pemeringkatan faktor atau temuan dari latar tersebut tidak boleh diubah menjadi hubungan kausal umum atau fakta yang berlaku bagi setiap lahan. [SRC009] digunakan untuk mengoreksi atribusi teknologi deteksi gulma: ia berkenaan dengan analisis citra dari lahan kedelai menggunakan metode visi konvolusional, dan ia tidak menegakkan adanya sistem penyingkiran robotik yang berbasis pembelajaran penguatan. Koreksi ini membantu membedakan antara melihat suatu objek dalam citra dan mengendalikan mesin yang berinteraksi dengannya. Penyajian risiko, pengawasan, dan tinjauan berkelanjutan sepanjang siklus hidup sistem berpedoman pada kerangka yang dirujuk dalam [SRC033]. Adapun kasus pengajaran terpadu, panduan menautkan tugas dengan metode, pertanyaan-pertanyaan praktis, dan contoh-contoh lapangan yang disajikan dalam bab ini, semuanya merupakan sintesis editorial yang bersifat instruksional yang dimaksudkan untuk memperjelas pembedaan antara pengukuran, analisis, keputusan, dan pelaksanaan. Contoh-contoh ini tidak merepresentasikan hasil suatu eksperimen baru, bukti kinerja sistem tertentu mana pun, suatu diagnosis pertanian, atau resep untuk menangani suatu tanaman.