Aspek,Landasan terdahulu,Pertanyaan belum dijawab untuk penelitian ini,Rancangan pembuktian,Kandidat novelty dan batas
G1 — Generalisasi tanpa akses target,"MAE/ViT telah digunakan untuk penyakit tanaman; pada studi transfer [1], evaluasi banyak dataset tetap melibatkan supervised target fine-tuning. [8] dan [9] merupakan pembanding SSL tanaman yang harus ditelaah lebih jauh.",Apakah MAE–ViT mempertahankan macro-F1 pada lokasi/perangkat/sesi pengambilan daun tin yang tidak pernah dilihat?,"Pisahkan domain target dari pretraining, fine-tuning, early stopping dan pemilihan hyperparameter; gunakan leave-one-domain-out jika metadata dan jumlah domain mendukung.",Kontribusi empiris: evaluasi source-only lintas domain daun tin. Keberadaan gap ini belum diverifikasi secara menyeluruh dalam literatur fig-specific.
G2 — Efisiensi label pada perpindahan domain,Studi [1] sudah menguji few-shot/limited-data; karena itu pengurangan label saja bukan novelty baru. [26] dan [27] memberi landasan SSL.,Apakah manfaat MAE pada sedikit label tetap terlihat pada domain target independen?,"Bandingkan label budget dengan pool unlabeled sumber tetap, backbone dan budget tuning setara; laporkan macro-F1 target serta variasi seed.","Kontribusi empiris berupa hubungan label efficiency dan domain shift, jika didukung hasil nyata; bukan klaim penemuan SSL."
G3 — Masking dan ketahanan domain,MAE/masked image modeling sudah mapan; [28] dan [29] menjadi landasan metode dan survei.,Bagaimana rasio/strategi masking memengaruhi transfer kesehatan daun tin lintas kondisi pengambilan?,Lakukan ablation masking terencana; pilih konfigurasi hanya dari domain sumber; pisahkan reconstruction loss dari metrik klasifikasi.,"Ablation terkontrol bernilai sebagai kontribusi empiris. Novelty metodologis membutuhkan mekanisme baru dan pembanding yang adil, bukan sekadar mengubah rasio masking."
G4 — Generalisasi versus adaptasi,"Judul dan lingkup studi [12], [13] dan [16] menunjukkan adaptasi/few-shot lintas domain; ketentuan akses data target harus dibaca sebelum membandingkan. [22] adalah referensi terbaru khusus reliability gap.",Apakah peningkatan muncul tanpa penggunaan citra/label domain target selama pengembangan?,"Pisahkan tabel baseline source-only, unsupervised target adaptation dan target-labeled fine-tuning; jangan menyebutnya protokol yang sama.","Kontribusi protokoler: perbandingan eksplisit dan bebas target leakage, bukan bukti bahwa seluruh studi terdahulu bocor."
G5 — Kesahihan domain dan independensi sampel,Studi dataset dan data terbatas [14]–[15] memberi konteks risiko validitas eksternal. Penerapannya pada dataset daun tin masih harus diaudit.,"Apakah train/test berbeda tanaman atau daun, bukan foto berulang dari objek yang sama?","Audit exact/near duplicate; kelompokkan tanaman/daun/sesi; catat definisi domain, kelas, annotator dan izin; laporkan ketidakpastian secara cluster-aware bila relevan.",Kontribusi dataset/protokol jika data dan manifest dapat dipertanggungjawabkan. Praktik pemisahan yang baik tidak otomatis menjadi algoritme baru.