Daripada Bahasa kepada Tanaman: Implikasi NLP Berkuasa AI dalam Sektor Pertanian

Penulis: Muhammad Izzat Farid Bin Musaddin,
Pusat Pengurusan ICT, MARDI

Pertanian merupakan salah satu bidang pekerjaan yang penting di dunia kerana ia berkait rapat dengan memastikan bekalan makanan sentiasa tersedia untuk pengguna.  Bagi memastikan makanan sentiasa mencukupi, para petani memainkan peranan penting dalam penghasilan dan penuaian komoditi seperti padi, ternakan, dan ikan.  Namun, para petani seringkali ketinggalan dari segi memperoleh ilmu pengetahuan terkini dalam bidang pertanian.  Tambahan pula, proses penyampaian ilmu baharu menjadi lebih mencabar akibat daripada majoriti daripada kalangan petani yang kurang celik ICT.  Mengapa ianya penting? Maklumat perlu disampaikan kepada petani dengan mudah dan pantas supaya mereka dapat mengakses maklumat terkini seperti kaedah penanaman baharu serta dasar-dasar kerajaan yang boleh memperbaiki kaedah yang digunakan kini.  Dengan kemajuan teknologi, Kecerdasan Buatan (AI) muncul sebagai alat penting dalam membantu proses ini.  Salah satu cabang AI, iaitu Natural Language Processing (NLP), merupakan satu kaedah yang sangat berguna dalam kehidupan seharian manusia.  Asas NLP adalah data latihan seperti dokumen teks, hantaran media sosial, ulasan pelanggan, log sembang, dan artikel berita.  Antara contoh tidak asing dalam dunia NLP termasuk Analisis Sentimen, Terjemahan Bahasa, dan Chatbot.

Analisis Sentimen dalam Pertanian

Sebagai contoh, jika kita lihat Analisis Sentimen bagi menerangkan kepentingan NLP dalam bidang pertanian.  Sistem yang dihasilkan menggunakan kaedah ini dapat meramalkan sentimen di kawasan atau kumpulan pengguna yang tidak termasuk dalam analisis awal.  Dalam konteks pertanian, petani boleh mengenal pasti pandangan masyarakat terhadap ladang mereka dan produk yang mereka bekalkan kepada peruncit dan pengguna.  Dengan menganalisis maklumat dari internet, surat khabar, dan media sosial, petani dapat memahami persepsi masyarakat dengan lebih baik.  Hasil daripada ini adalah, pihak berkepentingan dapat membuat keputusan berdasarkan sentimen yang diproses oleh sistem NLP.  Di samping itu, petani boleh mengenal pasti aspek yang memerlukan penambahbaikan, sama ada dari segi proses sebelum tuaian atau produk yang sampai kepada pengguna.  Antara contoh antara muka pengguna (UI) yang boleh didapati di internet adalah emoji yang menggambarkan emosi seperti wajah gembira, neutral dan sedih.  Wajah gembira menunjukkan maklum balas positif manakala wajah neutral dan sedih mewakili sentimen neutral dan negatif.  Emoji seperti ini sering digunakan dalam laman perkhidmatan seperti sistem percukaian.  Contoh emoji boleh didapati dalam Rajah 1 yang berikut:

Dengan mengumpul data seperti, pihak industri dapat menilai tahap penerimaan terhadap perkhidmatan dan produk mereka, seterusnya membuat penambahbaikan dan keputusan yang boleh meningkatkan prestasi perniagaan.

Terjemahan Bahasa dan NLP

Bercakap mengenai terjemahan bahasa seperti yang disebutkan pada awal artikel ini, ada yang mungkin tertanya-tanya kaitannya dengan AI kerana ianya telah wujud sekian lama.  Sebelum kemunculan AI, sistem terjemahan menggunakan pendekatan berasaskan peraturan.  Sistem terjemahan pertama yang dipanggil Rule-Based Machine Translation (RBMT) dibangunkan sekitar tahun 1970-an (Coleman et al., 2024).  Sistem ini bergantung kepada sumber seperti kamus, maklumat linguistik dan tatabahasa.  Namun, sistem ini tidak mampu menangani input dalam bentuk ayat yang kompleks.  Tambahan pula, cara penulisan yang pelbagai menyukarkan sistem pada masa itu untuk mentafsir maksud sebenar pengguna.  Maka, NLP muncul dengan pendekatan baharu melalui Large Language Model (LLM), yang menjadikan proses terjemahan lebih efektif.  Rajah 2 menggambarkan proses ini yang melibatkan latihan terhadap data seperti teks dan suara untuk menghasilkan output dalam pelbagai bahasa.

Dalam bidang pertanian, dokumen-dokumen kebiasaannya dalam format artikel, jurnal dan manual.  Dokumen ini kebiasaannya mempunyai kandungan yang terlalu teknikal untuk difahami oleh pengguna biasa.  Lebih-lebih lagi, kebanyakannya ditulis dalam Bahasa Inggeris yang menyukarkan lagi proses penerjemahan.  Kini, dengan bantuan produk LLM seperti ChatGPT, teks akan menjadi lebih mudah untuk diterjemah iaitu hanya dengan memberikan arahan tertentu.

Chatbot Berdasarkan AI dalam Pertanian

Satu lagi hasil daripada LLM ialah Chatbot.  Secara teknikal, ChatGPT ialah sejenis sistem perhubungan bersama robot di mana pengguna mengemukakan soalan dan mendapat jawapan secara automatik.  Terdapat dua kaedah membangunkan Chatbot: menggunakan model ChatGPT yang dibangunkan oleh OpenAI, atau menggunakan teknik pembelajaran pemindahan (Transfer Learning, TL) di mana pembangun menggunakan data mereka sendiri untuk melatih model sedia ada.  Rajah 3 menunjukkan ilustrasi sebuah Chatbot yang digunakan sebagai medium untuk berkomunikasi dengan manusia.

Sekiranya ingin menggunakan model ChatGPT, pengaturcara Chatbot perlu memperoleh kunci API daripada OpenAI yang melibatkan kos.  Namun, kaedah ini mempunyai had kerana ia berasaskan maklumat umum dan mungkin tidak sesuai untuk konteks yang lebih khusus seperti pertanian.  Oleh itu, teknik Transfer Learning (TL) diperkenalkan.  TL membolehkan model Chatbot sedia ada dilatih semula dengan data khusus, seperti istilah dan peraturan yang digunakan dalam pertanian.  Kaedah ini memastikan Chatbot dapat memberikan jawapan yang lebih tepat dan relevan dengan industri berkenaan.

Apabila Chatbot berasaskan pertanian ini digunakan secara meluas, petani dan pengguna boleh mengakses maklumat yang lebih terperinci.  Ini bukan sahaja meningkatkan pengetahuan petani, tetapi juga membantu mereka membuat keputusan yang lebih tepat dalam operasi atau perniagaan pertanian mereka.

Secara keseluruhan, NLP adalah kaedah yang sangat berguna dalam memajukan sektor pertanian.  Dengan mengakses maklumat seperti hasil daripada analisis sentimen, petani dapat mengetahui penerimaan masyarakat terhadap produk atau perkhidmatan mereka.  Terjemahan bahasa pula memudahkan pemahaman terhadap dokumen teknikal, manakala Chatbot yang dibangunkan berdasarkan maklumat dan data pertanian membantu orang ramai memperoleh pengetahuan berkaitan pertanian dengan lebih mendalam.  Semua manfaat ini menyumbang ke arah pemahaman dan pembuatan keputusan yang lebih baik dalam bidang pertanian.

Rujukan

1. Pykes, K.  (2023) Stemming and lemmatization in python, DataCamp.  Available at: https://www.datacamp.com/tutorial/stemming-lemmatization-python (Accessed: 26 February 2025).
2. Warudkar, H.  (2024, October 14).  Conducting Social Media Sentiment Analysis: a working example.  Express Analytics.  https://www.expressanalytics.com/blog/social-media-sentiment-analysis/  (Accessed: 3 March 2025). 
3. Coleman, J., Krishnamachari, B., Iskarous, K., & Rosales, R.  (2024).  LLM-Assisted rule based machine translation for Low/No-Resource Languages.  arXiv (Cornell University).  https://doi.org/10.48550/arxiv.2405.08997
4. Shaip-Admin.  (2024, June 25).  Exploring Natural Language Processing (NLP) in translation | Shaip.  Shaip.  https://www.shaip.com/blog/nlp-in-translation/
5. Free Vector | Chatbot Conversation Vectorart.  (2023, December 19).  Freepik.  https://www.freepik.com/free-vector/chatbot-conversation-vectorart_125887131.htm#fromView=keyword&page=1&position=3&uuid=0badeb1a-84be-41e2-9cfa-00fa980ae0e3&query=Ai+Chatbot+Logo