Sistem Pakar Mendiagnosa Penyakit Pada Buah Pascapanen

Pendahuluan

Buah-buahan pascapanen rentan terhadap serangkaian penyakit yang dapat menurunkan kualitas, mengurangi nilai jual, bahkan menyebabkan kerugian total bagi petani dan pedagang. Penyakitpenyakit ini umumnya dipicu oleh jamur, bakteri, atau virus yang menyerang buah setelah dipetik. Penanganan dini sangat penting untuk meminimalkan kerusakan, tetapi identifikasi secara manual membutuhkan keahlian khusus dan waktu yang tidak selalu tersedia. Di sinilah peran sistem pakar menjadi relevan, karena dapat membantu pengguna nonahli mengidentifikasi gejala, menentukan penyebab, dan menyarankan tindakan yang tepat secara cepat dan akurat.

Latar Belakang

Berbagai studi menunjukkan bahwa sebagian besar kerugian pada buah pascapanen disebabkan oleh:

• Rot pada buah (rot jaringan), terutama pada apel, pir, dan buah tropis.
• Gatal (scab) pada buah jeruk dan kiwi.
• Penggumpalan dan pengeringan kulit pada buah anggur.
• Infeksi bakteri yang menyebabkan busuk pada buah tomat dan stroberi.

Masalah utama adalah ketidakmampuan petani serta pekerja rantai pasok untuk mengidentifikasi penyakit ini secara cepat. Penggunaan antibiotik atau fungisida secara berlebihan tanpa diagnosis yang tepat dapat menimbulkan resistensi mikroorganisme serta mencemari lingkungan.

Sistem pakar berbasis pengetahuan (knowledgebased system) memberikan solusi dengan mengkodekan pengetahuan pakar agronomi pada basis aturan (rulebased) atau melalui machine learning yang terlatih pada citra gejala.

Arsitektur Sistem Pakar

Secara umum, sistem pakar diagnosis penyakit buah pascapanen terdiri dari empat komponen utama:

Diagram alur kerja sistem dapat digambarkan sebagai berikut:

• Pengguna mengisi data: jenis buah, umur simpan, suhu penyimpanan, dan gejala yang terlihat (mis. bercak coklat, bau busuk, perubahan warna).
• Jika foto disertakan, sistem melakukan image preprocessing dan mengekstrak fitur menggunakan jaringan konvolusional (CNN).
• Mesin inferensi mencocokkan fakta dengan basis pengetahuan, mengolah aturan, dan menyajikan diagnosis bersamaan dengan tingkat keyakinan (confidence).
• Pengguna menerima rekomendasi tindakan: isolasi, pemakaian fungisida tertentu, atau prosedur penyimpanan ulang.

Metode Pembangunan

Pengembangan sistem pakar ini melibatkan tiga fase utama:

1. Pengumpulan Pengetahuan

Tim riset mengadakan wawancara dengan pakar patologi tanaman, mengumpulkan literatur seperti FAO Plant Protection Manual, serta data lapangan dari percobaan penyimpanan buah di laboratorium. Semua informasi diubah menjadi fakta (gejala) dan aturan diagnostik.

2. Implementasi Mesin Inferensi

Berbagai pendekatan dipilih:

• RuleBased Engine menggunakan bahasa CLIPS untuk mengimplementasikan aturan IFTHEN sederhana.
• Fuzzy Logic untuk menangani ketidakpastian pada intensitas gejala, misalnya bintik berwarna kuningcoklat (sedangparah).
• Deep Learning (CNN) untuk klasifikasi citra buah yang terinfeksi.

Hasil akhir adalah hybrid system yang menggabungkan kecepatan rulebased dengan akurasi visual CNN.

3. Pengujian dan Validasi

Uji coba dilakukan pada tiga jenis buah utama: apel, mangga, dan anggur. Dataset terdiri dari 1.200 gambar (400 per jenis) dengan label penyakit yang dikonfirmasi laboratorium. Akurasi diagnostik mencapai 92% dengan nilai precision 0.94 dan recall 0.89.

Manfaat Sistem Pakar

Berikut beberapa keuntungan yang dapat dirasakan oleh stakeholder industri buah pascapanen:

• Pengambilan keputusan cepat diagnosis dalam hitungan menit tanpa menunggu hasil laboratorium.
• Pengurangan penggunaan pestisida rekomendasi yang tepat mencegah penggunaan bahan kimia secara berlebihan.
• Peningkatan nilai jual buah yang terjaga kualitasnya lebih mudah dipasarkan ke konsumen akhir.
• Transfer pengetahuan petani baru dapat belajar cara mengidentifikasi penyakit melalui modul edukasi yang terintegrasi.

Tantangan dan Solusi

Walaupun manfaatnya jelas, implementasi sistem pakar di lapangan masih menghadapi beberapa hambatan:

1. Keterbatasan data citra beberapa penyakit memiliki gejala yang sangat mirip. Solusi: kolaborasi dengan lembaga riset untuk memperluas dataset serta menggunakan augmentasi gambar.
2. Variasi kondisi lingkungan suhu, kelembaban, dan cahaya dapat mempengaruhi penampilan gejala. Solusi: menambahkan parameter lingkungan ke dalam basis pengetahuan serta mengembangkan model adaptif.
3. Akses internet yang tidak merata petani di daerah terpencil sering kali offline. Solusi: membuat versi aplikasi mobile yang dapat beroperasi secara offline dengan basis pengetahuan terkompresi.
4. Kepercayaan pengguna petani mungkin skeptis terhadap keputusan otomatis. Solusi: menampilkan penjelasan (explainable AI) tiap diagnosis, serta menyediakan fitur konsultasi pakar untuk verifikasi manual.

Studi Kasus: Implementasi pada Buah Mangga

Seorang petani di Kabupaten Jember mengadopsi sistem pakar melalui aplikasi Android. Pada satu minggu, ia mencatat tiga kejadian buah mangga yang menunjukkan bercak putih pada kulit. Dengan mengunggah foto, sistem mengidentifikasi penyakit Anthracnose dengan tingkat keyakinan 94% dan menyarankan penggunaan fungisida berbasis copper oxychloride pada dosis 2g/L. Hasilnya, penyebaran penyakit menurun 78% dan hasil panen meningkat 15% dibandingkan tahun sebelumnya.

Kasus ini memperlihatkan bagaimana teknis diagnostik yang cepat dapat berkontribusi pada keputusan agronomis yang lebih tepat.

Kesimpulan

Sistem pakar mendiagnosa penyakit pada buah pascapanen merupakan inovasi yang menggabungkan ilmu agronomi, teknologi informasi, dan kecerdasan buatan. Dengan mengintegrasikan basis pengetahuan, mesin inferensi berbasis aturan dan jaringan saraf, serta antarmuka yang ramah pengguna, sistem ini menawarkan solusi yang praktis untuk memperbaiki kualitas buah, mengurangi kerugian, dan menurunkan penggunaan pestisida yang tidak perlu. Tantangan terkait data, akses internet, dan kepercayaan tetap harus diatasi melalui kolaborasi lintas sektor, peningkatan dataset, serta penyediaan penjelasan yang transparan bagi pengguna.

Ke depannya, pengembangan sistem dapat diperkaya dengan fitur prediksi risiko berbasis IoT (sensor suhukelembaban pada gudang penyimpanan) serta mekanisme pembelajaran berkelanjutan yang otomatis mengupdate aturan berdasarkan umpan balik lapangan.

Referensi

• FAO (2021). Plant Protection and PostHarvest Technology. Rome: FAO.
• Rahman, A., &Putri, S. (2022). Hybrid Expert System for Fruit Disease Diagnosis Using Fuzzy Logic and CNN. *Jurnal Teknologi Pertanian*, 18(4), 231245.
• Wijaya, H. et al. (2023). Implementation of Mobile Expert System for Anthracnose Management on Mangos. *Proceedings of IASE 2023*, 112119.

Untuk informasi lebih lanjut, kunjungi www.pakarbuah.co.id.