Prediksi Kualitas Buah: Solusi Hibrida Machine Learning dan Pengolahan Citra untuk Industri Pangan

Pendahuluan: Mengatasi Tantangan Pembusukan Buah dengan AI

      Industri pertanian adalah tulang punggung ekonomi global, yang menyediakan pangan dan berbagai produk penting lainnya untuk konsumsi. Namun, salah satu tantangan besar yang terus-menerus dihadapi adalah masalah pembusukan buah. Pembusukan ini tidak hanya menyebabkan kerugian ekonomi yang signifikan tetapi juga mengancam ketahanan pangan, mulai dari tingkat petani hingga rantai pasok global. Metode tradisional seperti inspeksi visual sering kali subjektif, lambat, dan tidak efisien, terutama dalam skala besar.

      Menjawab tantangan ini, sebuah studi terbaru memperkenalkan pendekatan hibrida yang menggabungkan pengolahan citra (image processing) dan pembelajaran mendalam (deep learning) untuk menilai kesegaran buah. Pendekatan ini bertujuan untuk memberikan solusi praktis dan efisien yang dapat diterapkan dalam berbagai skenario industri. Keunikan metode ini terletak pada kemampuannya untuk beroperasi secara real-time dengan sumber daya komputasi yang rendah, menjadikannya pilihan yang menjanjikan untuk optimasi proses inspeksi dan penyortiran buah di berbagai berbagai industri.

Inovasi Pendekatan Hibrida: Integrasi Citra dan Kecerdasan Buatan

      Penelitian ini mengusulkan sebuah metodologi yang cerdas untuk memprediksi kesegaran buah dengan menggabungkan dua pilar teknologi AI: pengolahan citra dan jaringan saraf konvolusional (CNN). Alih-alih mengandalkan analisis kimiawi yang rumit atau perangkat keras canggih, pendekatan ini memanfaatkan fitur visual buah untuk klasifikasi. Prosesnya dimulai dengan pengembangan algoritma pengolahan citra yang dapat mengukur tingkat pembusukan buah dalam skala 0 (segar penuh) hingga 100 (busuk penuh).

      Secara paralel, sebuah model CNN dilatih untuk melakukan klasifikasi biner, yaitu membedakan buah menjadi "segar" atau "busuk", menggunakan kumpulan data gambar buah yang besar. Output dari kedua metode ini kemudian disintesis menggunakan regresi logistik untuk meningkatkan akurasi prediksi kesegaran. Yang menarik, model regresi logistik ini kemudian memungkinkan algoritma pengolahan citra untuk memberikan klasifikasi biner berdasarkan persentase busuk yang diukur, sehingga menghilangkan kebutuhan akan CNN dalam aplikasi real-time. Pendekatan ini telah divalidasi dengan akurasi lebih dari 90% pada dataset apel dan jeruk (Sumber: Amir Reza Hashemi et al., 2024), menunjukkan potensi integrasi teknologi ini.

Persiapan Data untuk Akurasi Tinggi

      Kualitas dan kuantitas data sangat penting dalam melatih model machine learning yang efektif. Untuk studi ini, dataset yang digunakan berasal dari Kaggle, yang berisi gambar apel dan jeruk dalam kategori "segar" dan "busuk". Dataset ini kemudian dibagi menjadi set pelatihan dan set validasi. Set pelatihan yang digunakan untuk melatih model CNN mencakup 1.693 gambar apel segar, 1.466 jeruk segar, 2.342 apel busuk, dan 1.595 jeruk busuk. Sementara itu, set pengujian terdiri dari 395 apel segar, 388 jeruk segar, 601 apel busuk, dan 403 jeruk busuk. Meskipun dataset awal juga mencakup pisang, buah ini tidak digunakan dalam penelitian ini.

      Langkah-langkah pra-pemrosesan data dilakukan secara cermat untuk memastikan konsistensi dan efisiensi model. Semua gambar diubah ukurannya menjadi 100x100 piksel menggunakan pustaka OpenCV, yang mengurangi kebutuhan komputasi dan menyatukan dimensi input. Kemudian, gambar dikonversi dari ruang warna BGR ke RGB, format standar untuk CNN. Normalisasi piksel ke rentang [0,1] juga diterapkan untuk memastikan skala dan intensitas yang konsisten, membantu konvergensi jaringan saraf yang lebih cepat dan mengurangi bias dari kondisi pencahayaan yang bervariasi. Untuk mengatasi ketidakseimbangan kelas, teknik oversampling diterapkan pada kelas minoritas (apel dan jeruk segar) dalam set pelatihan, menduplikasi gambar hingga jumlahnya setara dengan kelas mayoritas. Data kemudian diacak secara acak dan dikonversi menjadi array NumPy untuk efisiensi, dan disimpan dalam file pickle untuk akses mudah di kemudian hari.

Mekanisme Deteksi Hibrida yang Efisien

      Inti dari solusi ini adalah sinergi antara algoritma pengolahan citra dan model machine learning. Algoritma pengolahan citra dirancang untuk secara objektif mengidentifikasi dan mengukur area yang busuk pada buah. Proses ini dimulai dengan mengonversi gambar ke ruang warna HSV (Hue, Saturation, Value). Ruang warna ini dipilih karena kemampuannya yang unggul dalam memisahkan informasi warna dari intensitas cahaya, yang sangat membantu dalam proses segmentasi berdasarkan warna. Namun, penelitian juga mengeksplorasi penggunaan ruang warna LAB, yang secara perseptual lebih seragam, memungkinkan identifikasi variasi warna dan intensitas yang lebih halus yang mungkin mengindikasikan awal pembusukan.

      Setelah konversi ruang warna, algoritma menentukan Wilayah Minat (Region of Interest/ROI) menggunakan fungsi `cv2.inRange()`. Fungsi ini menciptakan masker biner yang mengisolasi piksel dalam rentang warna tertentu, yang dalam kasus ini, adalah piksel yang menunjukkan tanda-tanda pembusukan. Dengan mengukur luas area yang ditandai ini relatif terhadap luas total buah, algoritma dapat menghasilkan persentase pembusukan. Hasil persentase ini, digabungkan dengan output biner awal dari CNN, dimasukkan ke dalam model regresi logistik. Keunggulan utama dari pendekatan ini adalah bahwa setelah model regresi logistik dilatih, algoritma pengolahan citra yang ringan dapat secara mandiri menghasilkan klasifikasi "segar" atau "busuk" berdasarkan persentase yang diukur, tanpa memerlukan CNN yang lebih intensif secara komputasi untuk aplikasi real-time. Hal ini membuat solusi menjadi sangat efisien dan ramah sumber daya.

Implementasi Praktis dan Dampak Industri

      Efektivitas pendekatan hibrida ini dibuktikan dengan kinerja real-time dan akurasi lebih dari 90%, yang menjadikannya sangat relevan untuk aplikasi di dunia nyata. Keunggulan utama terletak pada persyaratan sumber daya komputasi yang rendah, yang berarti dapat diimplementasikan pada perangkat edge seperti sensor pintar atau perangkat komputasi mini di fasilitas pertanian atau pusat distribusi. Ini menghilangkan ketergantungan pada infrastruktur cloud yang mahal dan konektivitas internet yang stabil, sebuah aspek penting untuk daerah terpencil atau lingkungan industri yang terbatas.

      Meskipun demikian, studi ini mengakui adanya batasan utama: buah harus ditempatkan secara terisolasi pada latar belakang putih atau transparan untuk segmentasi yang optimal. Ini menunjukkan area perbaikan di masa depan, yaitu pengembangan model segmentasi yang lebih canggih untuk mengotomatiskan penghapusan latar belakang, sehingga sistem dapat berfungsi dalam kondisi yang lebih bervariasi. Penerapan teknologi ini dapat memiliki dampak transformatif pada berbagai sektor:

• Pertanian dan Pasca Panen: Petani dapat menggunakan sistem ini untuk menyortir buah secara otomatis, mengurangi kerugian pasca panen dan memastikan hanya buah berkualitas tinggi yang dikirim ke pasar.
• Logistik dan Rantai Pasok: Pusat distribusi dapat memantau kesegaran buah secara real-time, mengidentifikasi produk yang berisiko busuk lebih awal untuk optimasi rute pengiriman atau prioritas penjualan.
• Ritel: Toko grosir dan supermarket dapat menggunakan sistem ini untuk inspeksi kualitas otomatis, memastikan rak diisi dengan produk segar dan mengurangi pemborosan makanan. ARSA menyediakan solusi serupa, seperti AI BOX - Smart Retail Counter, yang dapat diadaptasi untuk deteksi kualitas produk di lingkungan ritel.
• Keamanan Pangan: Dengan deteksi pembusukan yang lebih akurat dan cepat, risiko produk busuk mencapai konsumen dapat diminimalkan, meningkatkan kepercayaan dan kepuasan pelanggan.

      ARSA Technology, dengan pengalaman sejak 2018 dalam menyediakan solusi AI & IoT, memiliki kapabilitas untuk mengimplementasikan sistem serupa dalam skala besar. Kami ahli dalam mendesain sistem AI Video Analytics yang bekerja di lingkungan industri, mengubah data visual menjadi intelijen operasional yang dapat ditindaklanjuti.

Kesimpulan

      Pendekatan hibrida yang menggabungkan pengolahan citra dan machine learning ini menawarkan jalan yang menjanjikan untuk mengatasi masalah pembusukan buah. Dengan kemampuannya untuk beroperasi secara efisien dengan sumber daya komputasi yang rendah dan memberikan prediksi akurat secara real-time, inovasi ini siap untuk merevolusi inspeksi kualitas dalam industri pertanian dan pangan. Dengan terus mengembangkan kapabilitas seperti segmentasi latar belakang otomatis, potensi aplikasi teknologi ini akan semakin luas, berkontribusi pada ketahanan pangan global dan efisiensi ekonomi.

      Apabila Anda tertarik untuk mengeksplorasi bagaimana solusi AI dan IoT dapat meningkatkan efisiensi dan mengurangi kerugian di rantai pasok Anda, jangan ragu untuk menghubungi tim ARSA untuk konsultasi gratis.

      Sumber:

      Hashemi, A. R., & Amiri, S. (2024). Predicting Fruit Quality with a Hybrid Machine Learning and Image Processing Approach. arXiv preprint arXiv:2606.26165. Tersedia di: https://arxiv.org/abs/2606.26165