VOKASI NEWS – Buah stroberi merupakan salah satu komoditas hortikultura yang mudah mengalami kerusakan sehingga proses penilaian mutu pascapanen menjadi tahap penting sebelum dipasarkan. Selama ini, penilaian grade stroberi di tingkat petani maupun pengepul masih banyak dilakukan secara manual dengan mengandalkan penglihatan. Cara tersebut berpotensi menghasilkan penilaian yang tidak konsisten. Kondisi tersebut dipengaruhi kelelahan mata, pencahayaan, serta pengalaman masing-masing penilai.
Keseragaman grade sangat menentukan nilai jual dan daya saing stroberi di pasaran. Oleh karena itu, diperlukan sistem penilaian yang lebih objektif dan efisien. Berangkat dari permasalahan tersebut, penelitian ini mengembangkan sistem klasifikasi grade stroberi berdasarkan karakteristik visual. Sistem tersebut menggunakan pendekatan transfer learning dengan arsitektur EfficientNet-B0 berbasis web.
Pengembangan Sistem Klasifikasi Grade Stroberi
Model dikembangkan dengan membekukan seluruh 238 layer EfficientNet-B0 yang telah dilatih menggunakan dataset ImageNet. Selanjutnya, model dilengkapi classification head berupa Global Average Pooling, Dense 128 neuron dengan aktivasi ReLU, Dropout sebesar 0,5, serta output softmax tiga kelas.
Dataset penelitian terdiri atas 1.404 gambar yang berasal dari 351 buah stroberi. Setiap buah difoto dari empat sisi di perkebunan stroberi Desa Tulungrejo, Kota Batu, Jawa Timur. Seluruh gambar kemudian diberi label Grade A, Grade B, atau Grade C berdasarkan standar SNI 8026:2014 dan USDA AMS 2016. Penentuan grade mempertimbangkan lima karakteristik visual, yaitu warna, bentuk, ukuran, kematangan, dan cacat permukaan.
Hasil Pengujian Model
Model dilatih menggunakan optimizer Adam dengan learning rate 0,0001 dan batch size 32. Penelitian juga menerapkan class weight balancing untuk mengurangi bias pada Grade B yang memiliki jumlah data paling dominan.
Hasil pengujian menunjukkan akurasi sebesar 65,25 persen. Recall terbaik diperoleh pada Grade B sebesar 82,86 persen. Sementara itu, Grade A dan Grade C masing-masing masih berada di kisaran 48 persen. Kesalahan klasifikasi paling banyak terjadi pada grade yang berdekatan. Kondisi tersebut disebabkan karakteristik visual kedua grade yang hampir serupa, misalnya pada persentase warna merah antara Grade A dan Grade B.
Implementasi pada Aplikasi Web
Model yang telah dikembangkan kemudian diimplementasikan ke dalam aplikasi web bernama StrawGrade menggunakan framework Flask. Pengguna mengunggah empat foto stroberi dari sisi depan, kanan, kiri, dan belakang. Selanjutnya, sistem memproses setiap foto secara independen untuk menentukan hasil klasifikasi.
Penentuan grade akhir menggunakan pendekatan worst-case grading, yaitu memilih grade terendah dari keempat sisi sebagai hasil akhir. Pendekatan tersebut dipilih karena satu sisi yang mengalami cacat sudah dapat menurunkan mutu keseluruhan buah sesuai prinsip pada standar SNI dan USDA. Selain menampilkan grade akhir, sistem juga menyajikan confidence score. Sistem turut menampilkan hasil klasifikasi pada setiap sisi sehingga pengguna dapat memahami dasar penilaian yang diberikan.
Potensi Pengembangan Sistem
Pengembangan sistem grading otomatis berbasis kecerdasan buatan ini mendukung pencapaian Sustainable Development Goals (SDGs). Penelitian ini mendukung SDG 9 mengenai Industri, Inovasi, dan Infrastruktur serta SDG 12 tentang Konsumsi dan Produksi yang Bertanggung Jawab. Sistem ini berpotensi meningkatkan efisiensi rantai pasok hortikultura sekaligus mengurangi kerugian pascapanen akibat penilaian mutu yang tidak konsisten.
Ke depannya, performa model masih dapat ditingkatkan melalui penambahan data pada kelas yang kurang terwakili, penerapan fine-tuning pada layer EfficientNet-B0, maupun eksplorasi arsitektur lain. Dengan demikian, sistem grading stroberi berbasis visual ini diharapkan menjadi solusi yang semakin akurat dan aplikatif bagi petani maupun pelaku industri buah.
[BACA JUGA: Sistem Monitoring dan Deteksi Molting Kepiting Berbasis Smart Vertical Crab Farming]
***
Penulis: Kartika Nur Azizah
Editor: Cheiza Xaviera (Tim Branding Vokasi)
