Penelitian ini mengembangkan sistem smart farming precision berbasis machine learning untuk mengidentifikasi hama dan penyakit pada tanaman padi di sawah tadah hujan. Permasalahan utama adalah kurangnya tenaga ahli dan kompleksitas dalam mendeteksi Organisme Pengganggu Tanaman (OPT) yang mengurangi produktivitas padi. Solusi yang ditawarkan melibatkan penggunaan teknologi kamera dan algoritma kecerdasan buatan untuk analisis visual gejala hama dan penyakit pada tanaman padi. Fitur deteksi visual sistem ini mampu mengenali ciri-ciri serangan berdasarkan gambar yang diambil di lapangan, sementara algoritma machine learning digunakan untuk mempelajari dan mengklasifikasikan berbagai jenis OPT dengan akurasi tinggi. Pendekatan baru menggunakan deep metric learning dan k-NN classifier menghasilkan akurasi maksimum 0.920 pada ResNet-50 dan 0.878 pada ResNet-152, melampaui metode klasifikasi deep learning konvensional. Model terbaik diterapkan pada platform komputasi awan berbasis serverless untuk inferensi. Selain itu, sistem ini mengusulkan aplikasi pemetaan interaktif berbasis web yang memungkinkan petani mengakses informasi deteksi dan rekomendasi pengendalian OPT secara mudah dan real-time. Untuk mengatasi biaya tinggi dan kebutuhan teknis kamera multispektral, digunakan model CycleGAN yang mengubah gambar RGB dari drone menjadi gambar NDVI. Model ini dilatih menggunakan dataset tidak berpasangan dari gambar RGB dan NDVI, dengan hasil menunjukkan kinerja superior dalam menciptakan gambar NDVI sintetis. Hasil terbaik yang dicapai adalah Normalized Root Mean Square Error (NRMSE) sebesar 0.327, Peak Signal-to-Noise Ratio (PSNR) sebesar 16.330, skor Oriented FAST and Rotated BRIEF (ORB) sebesar 0.859, dan Structural Similarity Index (SSIM) sebesar 0.757. Model ini diimplementasikan pada perangkat microcomputer Raspberry Pi 4B dengan waktu komputasi rata-rata 21 detik, cocok untuk penggunaan pada drone. Hasil pengujian menunjukkan bahwa sistem ini berhasil meningkatkan efisiensi dalam identifikasi hama dan penyakit, serta memberikan kontribusi signifikan dalam meningkatkan produktivitas pertanian padi di sawah tadah hujan. Sistem ini diharapkan menjadi solusi inovatif untuk mendukung pertanian presisi dan meningkatkan ketahanan pangan di Indonesia.