Pemanfaatan Deep Learning dalam Sortasi Buah

Ilustrasi buah apel yang butuh penyortiran. Foto: Pixabay

Perkembangan teknologi informasi dan komunikasi menghadirkan beragam produk kekinian. Salah satu dari produk anyar tersebut adalah teknologi kecerdasan buatan (Artificial Intelligence/AI). Sekarang ini, AI sudah merambah ke berbagai sektor kehidupan manusia. Mulai dari sektor rumah tangga hingga industri yang di luar nalar manusia—seperti ide "gila" Neuralink untuk menanam chip ke otak manusia.

Salah satu dari sektor yang “dijajah” oleh AI adalah sektor pertanian. Meskipun tergolong sektor purba, dunia pertanian terus mengalami pembaruan berkat adaptasi dari teknologi terkini.

Penerapan AI dapat dilakukan pada proses pra tanam hingga pascapanen. Sebagai contoh, AI dapat sangat berguna dalam proses pascapanen seperti sortasi buah. Khususnya cabang AI yang disebut dengan Deep Learning.

Apa Itu Deep Learning?

Secara sederhana, deep learning merupakan salah satu metode dalam kecerdasan buatan (AI) yang memungkinkan komputer memproses data dengan cara yang terinspirasi dari struktur otak manusia. Deep learning sendiri merupakan cabang dari Machine Learning atau Pembelajaran Mesin. Komputer akan mempelajari data-data dan pengalaman yang diberikan secara otomatis agar dapat mengidentifikasi pola yang kompleks.

Metode deep learning akan mengembangkan model berbentuk tiruan dari jaringan saraf manusia di mana akan ada beberapa lapisan neuron buatan yang terhubung satu dengan lainnya. Neuron-neuron inilah yang akan menerima suatu masukan data, melakukan pemrosesan komputasi matematika dan mengirimkan keluaran (output) ke neuron yang lain.

Adapun beberapa contoh algoritma deep learning yang umum digunakan adalah Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs), Long Short-Term Memory Networks (LSTMs) dan sebagainya. Algoritma-algoritma tersebut dapat dimanfaatkan sebagai alat untuk melakukan pengelompokkan atau klasifikasi dari data-data.

Pemanfaatan Deep Learning dalam Sortasi Buah

Proses sortasi buah atau penyortiran merupakan salah satu proses pascapanen yang penting. Penyortiran sangat diperlukan untuk memisahkan buah yang layak dengan yang tidak layak jual.

Hal ini tentu sangat penting dikarenakan buah rusak yang masuk ke dalam kelompok buah yang bagus dapat merusak kualitas buah bagus tersebut. Buah rusak yang tercampur juga akan menurunkan nilai jual dari buah-buah yang terdampak.

Dalam beberapa tahun terakhir, algoritma deep learning banyak dilirik dan dicobakan pada proses sortasi buah-buahan. Salah satu motivasinya adalah agar proses penyortiran dapat dilakukan oleh mesin sehingga mengurangi beban biaya untuk pekerja konvensional. Beberapa penelitian yang telah dilakukan terkait hal ini dinilai cukup berhasil.

Helwan, dkk., (2021) dalam tulisan mereka di Journal of Food Quality berhasil menerapkan metode Residual Neural Networks pada aplikasi sortasi otomatis buah pisang. Mereka memisahkan antara buah pisang yang masih segar dengan yang sudah busuk. Jika dibandingkan dengan metode lain, jaringan tersebut menunjukkan akurasi yang lebih baik pada pengujian data baru.

Selain itu, Yu, dkk., (2022) dalam artikel mereka di jurnal ilmiah Information Processing in Agriculture mencoba menggabungkan dua algoritma sekaligus yaitu Convolutional Neural Networks (CNN) dan Long Short-Time Memory (LSTM) untuk membuat robot penyortir buah jeruk. Sistem yang mereka bangun dapat mencapai akurasi 94% dalam klasifikasi buah jeruk yang diuji.

Pengambilan data pada proses sortasi dengan deep learning umumnya dilakukan dengan metode machine vision atau penglihatan mesin. Sistem menggunakan kamera yang akan menangkap gambar dan kemudian memproses gambar tersebut sehingga dapat diklasifikasikan sesuai model yang telah dibuat. Hal inilah yang menjadi pembeda pada proses sortasi manual yang masih mengandalkan penglihatan manusia.

Di satu sisi, pemanfaatan deep learning pada sortasi buah menawarkan banyak kemudahan, terutama pada industri pertanian buah modern yang berskala besar. Hanya saja, akurasi penyortiran yang belum 100% membuat proses sortasi layak untuk diulang pada sampel-sampel yang dinilai tertolak oleh mesin.

Nah, jika masalah tersebut bisa diselesaikan, bukan tidak mungkin jika kelak mesin atau robot mampu mengangkat muruah industri pertanian ke level selanjutnya.