Pemanfaatan Sains Data dalam Prediksi Sifat Buah-buahan

Ilustrasi pengukuran sifat fisik buah. Foto: Pixabay

Perkembangan teknologi menjadi latar belakang berevolusinya dunia industri. Sebagaimana yang kita ketahui, saat ini dunia telah berada pada industri 4.0. Perbedaan mendasar pada revolusi industri keempat ini, dibanding tahapan sebelumnya, adalah penggunaan sistem otomasi dan pertukaran data melalui jaringan internet.

Omong-omong soal data, berlimpahnya data di dunia saat ini menghadirkan disiplin ilmu baru yaitu sains data. Menariknya, sains data ini tidak hanya dapat digunakan dalam satu kelompok ilmu spesifik saja, melainkan bisa digunakan di hampir semua ilmu terlepas apakah itu dari rumpun ilmu alam maupun ilmu sosial. Salah satu contohnya adalah penggunaan sains data dalam bidang teknologi pertanian.

Penerapan sains data di bidang teknologi pertanian dapat dilakukan di semua proses teknologi mulai dari pra penanaman hingga pascapanen. Sebagai contoh, sains data dapat digunakan dalam pembuatan model matematis untuk memprediksi sifat dari buah-buahan yang telah dipanen.

Jika kita kaji lebih lanjut, sains data mencakup berbagai proses. Proses dasarnya adalah penambangan data (data mining). Tujuan dari penambangan data ini adalah untuk mengekstrak pengetahuan dari data yang ada. Data-data yang banyak akan diolah menjadi informasi, kemudian informasi-informasi tadi akan diolah lagi menjadi pengetahuan.

Langkah pemanfaatan sains data dalam prediksi sifat buah-buahan dimulai dari pengukuran atau pengambilan data dari buah yang diuji. Ada begitu banyak data yang bisa diambil dari spesimen buah, seperti sifat fisik, optik, kimia, dan sebagainya. Data dari pengukuran awal, yang dilakukan pada beberapa sampel dan spesimen uji, akan dijadikan sebagai training dataset atau data latih untuk menemukan pola atau pengetahuan.

Dalam kasus prediksi, pola atau pengetahuan dapat direpresentasikan melalui persamaan regresi. Persamaan tersebut dapat berupa persamaan regresi linier, kuadratik, eksponensial, dan sebagainya. Setelah pola atau persamaan didapatkan, maka proses validasi perlu dilakukan dengan data-data yang baru yang disebut sebagai data uji.

Pengguna memprediksikan hasil berdasarkan perhitungan dengan persamaan yang didapatkan. Hasil hitungan tersebut kemudian dapat dibandingkan dengan hasil pengukuran pada semua sampel dan spesimen yang diambil datanya sebagai data uji. Sebuah persamaan atau model matematis dinilai baik jika hasil prediksi mendekati hasil pengukuran yang sebenarnya.

Kamble, dkk., (2021) dalam publikasi ilmiah yang berjudul "Mass and surface modelling of green plantain banana fruit based on physical characteristics" mencoba membuat model matematis untuk massa buah pisang hijau berdasarkan beberapa sifat fisiknya. Sifat-sifat fisik itu mencakup panjang, lebar, tebal, diameter geometris rata-rata, dan lainnya. Mereka menemukan bahwa model terbaik untuk prediksi massa pada objek penelitian mereka adalah model kuadratik berbasis panjang dari buah.

Penelitian serupa juga dilakukan oleh Murakonda, dkk., (2021) dengan objek buah kawista atau wood apple. Mereka mengembangkan model massa berdasarkan sifat-sifat fisik yang didapatkan dari pengukuran dan perhitungan. Hasil penelitian mereka menunjukkan bahwa pemodelan dengan regresi kuadratik menghasilkan model yang paling cocok dikarenakan memiliki nilai koefisien determinasi yang besar.

Tidak hanya terbatas pada pemodelan massa dari buah, sains data juga dapat digunakan untuk membangun model sifat-sifat lain berdasarkan hubungan satu sifat dengan sifat lainnya pada buah. Peneliti menilai bahwa model atau pola tersebut akan cukup berguna terutama untuk industri pertanian berskala besar.

Model prediksi sifat-sifat buah tadi dapat digunakan untuk membangun sistem pemrosesan pascapanen seperti sortasi, pengelompokkan, pengemasan, penyimpanan, transportasi dan berbagai proses lainnya. Tujuan akhirnya adalah bagaimana biaya pemrosesan dapat ditekan sehingga efisiensi meningkat. Ketika hal itu dapat dicapai, profit yang didapatkan oleh pelaku usaha tani dapat dioptimalkan dengan lebih baik lagi.