Peneliti Polinela “Pindai Segar” di lahan pertanian Pekon Srikaton, Kecamatan Adiluwih, Kabupaten Pringsewu | LAMPUNGPRO.CO/Ist

PRINGSEWU (Lampungpro.co) : Tim peneliti Politeknik Negeri Lampung (Polinela) mengembangkan model kecerdasan buatan (artificial intelligence/AI) yang mampu membedakan sayuran segar dan busuk hanya melalui foto. Dalam pengujian, model berbasis arsitektur Swin Transformer itu mengenali kondisi sayuran dengan tingkat akurasi 94,96 persen.

Riset bertajuk “Pengembangan Model Swin Transformer Deep Learning untuk Deteksi Kontaminasi dan Penilaian Kualitas Pangan Berbasis Citra Digital dalam Industri Pangan Lokal” itu merupakan Penelitian DIPA Polinela tahun 2026. Selain menghasilkan model AI, tim juga telah membangun prototipe aplikasi pemindai kesegaran sayur bernama “Pindai Segar”.

Penelitian dari Program Studi Teknologi Rekayasa Perangkat Lunak (TRPL) Polinela ini melibatkan Dani Rofianto, S.Mat., M.Kom., Khusnatul Amaliah, S.Kom., M.Kom., dan Tiara Kurnia Khoerunnisa, S.T., MTP, bersama Andika Sandi Pranata dan Ningrum.

Keamanan pangan menjadi persoalan yang dampaknya langsung dirasakan masyarakat. Pangan yang tercemar mikroba, bahan kimia, atau mengalami kerusakan fisik dapat memicu gangguan kesehatan serius. Data WHO yang dirujuk dalam penelitian ini menyebutkan, pangan terkontaminasi membuat lebih dari 600 juta orang jatuh sakit setiap tahun.

Di sisi lain, pemeriksaan mutu pangan secara konvensional, seperti uji laboratorium, kerap memakan waktu, biaya, dan tenaga. Karena itu, tim memanfaatkan teknologi pengolahan citra digital berbasis deep learning sebagai cara pemeriksaan yang lebih cepat dan efisien.

Fokus pada Lima Jenis Sayuran

Pada tahap ini, penelitian difokuskan pada lima jenis sayuran, yakni tomat, mentimun, wortel, kentang, dan paprika. Masing-masing dikelompokkan dalam kondisi segar dan busuk, sehingga terbentuk 10 kategori yang harus dikenali model.

Lingkup tersebut merupakan penajaman dari rencana awal yang membidik deteksi kontaminasi pangan secara umum. Setelah menimbang sejumlah kandidat data, termasuk data penyakit buah dan sayur, kesegaran daging, serta cacat beras, tim memilih kasus kesegaran sayuran agar setiap hasil benar-benar didukung data yang tersedia.

Data yang digunakan berjumlah 5.998 foto sayuran. Saat diperiksa, banyak di antaranya ternyata kembar atau nyaris identik, sehingga ribuan foto itu hanya membentuk 3.237 kelompok gambar unik. Agar model tidak sekadar “menghafal” gambar yang pernah dilihatnya, pembagian data dilakukan per kelompok: 4.471 foto untuk melatih model, 673 foto untuk validasi, dan 854 foto untuk pengujian akhir.

Lebih Akurat, tetapi Lebih Berat

Swin Transformer merupakan salah satu arsitektur deep learning terbaru untuk pengolahan gambar. Model ini membaca foto per bagian dalam “jendela-jendela” kecil yang posisinya digeser secara bertahap, sehingga detail kecil dan gambaran utuh sebuah foto dapat ditangkap sekaligus. Dalam penelitian ini, Swin Transformer (versi Swin-Tiny) dibandingkan dengan Convolutional Neural Network (CNN) jenis ResNet-18, model pengolah gambar dari generasi sebelumnya.

Hasil uji pada 854 foto menunjukkan Swin Transformer unggul di seluruh ukuran kinerja. Akurasinya mencapai 94,96 persen, sedangkan CNN 91,33 persen. Sederhananya, dari setiap 100 foto sayuran, Swin Transformer menebak kondisinya dengan benar pada sekitar 95 foto, sementara CNN sekitar 91 foto.

Keunggulan serupa terlihat pada precision (94,86 persen berbanding 90,71 persen), recall (94,40 persen berbanding 89,74 persen), dan F1-score (94,58 persen berbanding 89,97 persen). Ketiga ukuran itu menggambarkan seberapa tepat tebakan model sekaligus seberapa sedikit sayuran yang luput dikenali.

Selisih paling mencolok muncul pada paprika busuk. Dari seluruh foto paprika busuk dalam data uji, CNN hanya mengenali 65 persen, sedangkan Swin Transformer mampu mengenali 93 persen.

Sebaliknya, kentang dan wortel menjadi sayuran yang paling menantang bagi kedua model. Kesalahan paling sering terjadi saat membedakan kentang segar dengan kentang busuk, serta wortel segar dengan wortel busuk. Pada kentang busuk, CNN bahkan sedikit lebih unggul. Hal ini sejalan dengan sifat kedua sayuran tersebut yang tidak banyak berubah warna pada tahap awal pembusukan.

Namun, keunggulan akurasi itu ada harganya. Swin Transformer membutuhkan 20,24 milidetik untuk memeriksa satu foto, sekitar 2,4 kali lebih lama dibandingkan CNN yang hanya 8,41 milidetik. Ukuran modelnya juga sekitar 2,5 kali lebih besar, yakni 27,5 juta parameter berbanding 11,2 juta parameter. Faktor ini penting ketika teknologi dijalankan secara real-time di perangkat berkemampuan terbatas.

“Pindai Segar” Bekerja Langsung di Ponsel

Sebagai bukti bahwa teknologi ini dapat diterapkan, tim membangun Pindai Segar, aplikasi berbasis web yang dibuka melalui peramban ponsel. Pengguna cukup memotret sayuran, lalu aplikasi menampilkan jenis dan kondisi sayuran beserta tingkat keyakinannya dalam persen.

Untuk aplikasi ini, tim memilih model CNN karena lebih ringan dan cepat. Model dijalankan langsung di perangkat pengguna (on-device) melalui teknologi WebAssembly, sehingga foto tidak dikirim ke server mana pun.

Uji coba awal dilakukan pada empat foto sayuran di luar data penelitian, dan seluruhnya diklasifikasikan dengan tepat. Salah satunya foto kentang segar yang memiliki sedikit bercak menyerupai awal pembusukan. Aplikasi tetap menilainya segar, meski dengan tingkat keyakinan 72 persen, lebih rendah dibandingkan tiga pengujian lain yang mencapai 100 persen. Pengujian tersebut masih bersifat kualitatif dengan jumlah sampel terbatas.

Luaran dan Langkah Selanjutnya

Hingga kini, sejumlah luaran telah dicapai. Tim telah mengikuti Seminar Nasional IPTEKS Terapan untuk menyebarluaskan hasil penelitian. Naskah artikel ilmiah berjudul “Model Swin Transformer untuk Deteksi Kesegaran Pangan Berbasis Citra Digital: Studi Komparatif dengan CNN” juga telah disusun untuk jurnal nasional terakreditasi Sinta, sementara prototipe Pindai Segar telah berfungsi dan diuji.

Adapun dokumen Hak Kekayaan Intelektual (HKI) atas sistem deteksi kesegaran pangan berbasis AI masih dalam tahap penyusunan, begitu pula video kegiatan penelitian yang masih dalam proses penyuntingan.

Ke depan, tim akan mengawal proses telaah artikel di jurnal, menyelesaikan dan mengajukan HKI, serta merampungkan video kegiatan. Dalam peta jalan penelitian, model ini direncanakan dioptimalkan pada 2027, lalu diintegrasikan ke sistem deteksi otomatis untuk pemantauan kualitas pangan secara real-time pada 2028. Tahap berikutnya dirancang berupa evaluasi dampak penerapan sistem, termasuk tingkat kesalahan dan penerimaan pengguna.

Penelitian berdurasi satu tahun ini ditargetkan mencapai Tingkat Kesiapterapan Teknologi (TKT) 4. Teknologi tersebut diharapkan dapat diterapkan pada industri pangan lokal untuk mendukung pemantauan dan pengendalian kualitas pangan. (***)