VOKASI NEWS – Perkembangan teknologi kecerdasan buatan (Artificial Intelligence/AI) terus menghadirkan inovasi di berbagai sektor, termasuk bidang pertanian dan pascapanen. Salah satu tantangan yang masih dihadapi pelaku industri pascapanen hingga UMKM di Indonesia adalah menjaga kualitas buah, khususnya pisang Cavendish. Hingga saat ini, penentuan tingkat kematangan buah umumnya masih mengandalkan pengamatan visual secara manual.
Metode tersebut sering kali menghasilkan penilaian yang tidak konsisten. Kondisi tersebut dipengaruhi oleh subjektivitas, kelelahan mata, serta perbedaan pencahayaan saat proses pengamatan. Akibatnya, kesalahan dalam menentukan tingkat kematangan dapat menyebabkan keterlambatan distribusi maupun kerugian akibat buah yang membusuk atau belum siap dikonsumsi. Untuk mengatasi permasalahan tersebut, dikembangkan Banalyze, sebuah aplikasi mobile berbasis deep learning yang mampu mengklasifikasikan tingkat kematangan pisang Cavendish secara cepat, akurat, dan real-time.
Perancangan Aplikasi Banalyze Berbasis AI
Banalyze dikembangkan menggunakan pendekatan transfer learning dengan membandingkan dua arsitektur Convolutional Neural Network (CNN), yaitu MobileNetV3-Small dan EfficientNetV2B0. Pemilihan kedua arsitektur tersebut bertujuan memperoleh keseimbangan antara akurasi tinggi dan efisiensi komputasi pada perangkat smartphone. Sistem dilatih menggunakan 12.048 citra pisang Cavendish yang dikelompokkan ke dalam tiga tingkat kematangan, yaitu partially ripe, ripe, dan overripe.
Mekanisme Kerja Sistem
Aplikasi Banalyze dibangun menggunakan framework Flutter sehingga mudah dioperasikan. Pengguna dapat mengunggah foto dari galeri, mengambil gambar melalui kamera, maupun memanfaatkan fitur pemindaian video secara real-time. Selanjutnya, gambar diproses oleh model kecerdasan buatan yang telah tertanam di dalam perangkat.
Hasil klasifikasi berupa label tingkat kematangan beserta confidence score akan langsung ditampilkan pada layar. Selain itu, sistem menerapkan ambang batas keyakinan minimal sebesar 80% untuk menjaga validitas hasil. Seluruh riwayat pemindaian juga terintegrasi dengan server basis data melalui layanan backend FastAPI sehingga aktivitas sortasi dapat dipantau dengan lebih mudah.
Hasil Pengujian Sistem
Hasil pengujian menunjukkan bahwa EfficientNetV2B0 menjadi model dengan performa terbaik. Model tersebut mencapai tingkat akurasi sebesar 99,83%. Selanjutnya, model dikonversi menggunakan teknik kuantisasi (TensorFlow Lite) agar aplikasi tetap ringan saat dijalankan pada ponsel. Teknik ini berhasil mengurangi ukuran model hingga 86,6%, dari 22,37 MB menjadi 6,32 MB.
Dari sisi performa, aplikasi juga menunjukkan respons yang sangat baik. Waktu rata-rata yang dibutuhkan sejak gambar dipindai hingga hasil prediksi ditampilkan hanya sekitar 1,33 detik. Dengan demikian, komputasi AI dapat dijalankan secara cepat dan presisi langsung melalui perangkat seluler.
Manfaat dan Kontribusi terhadap SDGs
Penerapan Banalyze memberikan manfaat bagi petani, pengepul, hingga pelaku UMKM dengan menyediakan alat bantu sortasi yang praktis, konsisten, serta mampu mengurangi human error. Di samping itu, aplikasi ini membantu konsumen menentukan tingkat kematangan pisang sesuai kebutuhan konsumsi.
Penelitian ini juga mendukung pencapaian Sustainable Development Goals (SDGs). Banalyze berkontribusi pada SDG 12 (Responsible Consumption and Production) melalui upaya mengurangi food loss pascapanen. Selain itu, inovasi ini mendukung SDG 9 (Industry, Innovation, and Infrastructure) dengan menghadirkan teknologi kecerdasan buatan yang mudah diakses untuk memperkuat sektor agrikultur di Indonesia.
[BACA JUGA: Kenali Golongan Obat Sebelum Menggunakannya: Langkah Sederhana Menuju Pengobatan yang Aman]
Penulis: Rangga Prathama Nugraha Haryanto
Editor: Sinta Rahmah (Tim Vokasi Branding)
