PREDIKSI KUALITAS BUAH PASCAPANEN MENGGUNAKAN PEMBELAJARAN MESIN DAN DATA CITRA SPEKTRAL

Abstract

Penilaian kualitas buah tropis pascapanen sangat penting untuk mempertahankan nilai jual dan menjaga tingkat penerimaan konsumen; namun, metode evaluasi konvensional bersifat merusak dan kurang sesuai untuk diterapkan secara real-time. Penelitian ini mengembangkan dan membandingkan empat algoritme pembelajaran mesin (machine learning/ML) Support Vector Machine (SVM), Random Forest (RF), Extreme Gradient Boosting (XGBoost), dan Artificial Neural Network (ANN) untuk memprediksi kualitas buah secara nondestruktif berdasarkan data citra spektral. Penelitian ini memanfaatkan data yang tersedia secara publik untuk buah mangga, pepaya, dan pisang pada rentang panjang gelombang 400–1000 nm. Baik atribut kontinu (kadar padatan terlarut, kekerasan, dan kadar air) maupun target kategorikal (tingkat kematangan dan kelas kekerasan) dianalisis dalam penelitian ini. Data spektral diproses melalui tahapan reduksi derau, standardisasi, dan reduksi dimensi, sedangkan kinerja model dievaluasi menggunakan validasi silang lima lipatan (five-fold cross-validation). Hasil penelitian menunjukkan bahwa ANN dan XGBoost secara konsisten memberikan kinerja lebih baik dibandingkan SVM dan RF, baik pada tugas regresi maupun klasifikasi. Analisis tingkat kepentingan fitur (feature importance) mengungkapkan bahwa panjang gelombang pada rentang 700–900 nm merupakan yang paling informatif, karena berkaitan erat dengan karakteristik serapan gula dan air pada jaringan buah. Temuan ini menegaskan potensi besar dari integrasi pencitraan spektral dan pembelajaran mesin untuk penilaian kualitas buah secara akurat dan nondestruktif. Meskipun demikian, validasi lebih lanjut pada kondisi lapangan serta perluasan cakupan jenis buah masih diperlukan guna meningkatkan ketangguhan dan penerapan model secara praktis.

Kata kunci — buah tropis; kualitas buah pascapanen; pembelajaran mesin; pencitraan spektral; penilaian nondestruktif