Standardisasi mutu pascapanen cabai rawit menghadapi dua tantangan utama, yaitu proses sortasi manual yang tidak konsisten dan laju pematangan yang sangat bervariasi pada suhu penyimpanan yang berbeda. Sebagai sebuah penelitian pendahuluan untuk sistem klasifikasi pascapanen, penelitian ini menjawab masalah tersebut dengan merancang sebuah sistem deteksi objektif berbasis deep learning. Tujuannya adalah untuk mengembangkan prototipe yang mampu mengklasifikasikan tingkat kematangan dan memprediksi sisa umur simpan cabai rawit secara akurat untuk suhu 25?C dan 8?C. Sistem ini dilatih untuk mengenali parameter kematangan berdasarkan perubahan warna visual dari oranye (setengah matang) menjadi merah (matang penuh).
Penelitian diawali dengan pembuatan dataset primer melalui akuisisi citra cabai rawit secara berkala pada kedua kondisi suhu. Label ground truth untuk tingkat kematangan (60–100%) dan umur simpan ditetapkan secara kuantitatif melalui analisis warna (median Hue) yang ditransformasi secara logaritmik dan dinormalisasi. Metode deep learning yang digunakan adalah transfer learning karena efektivitasnya pada dataset terbatas. Dua arsitektur Convolutional Neural Network (CNN) ringan, yaitu MobileNetV2 dan MobileNetV3Small, dievaluasi untuk dua tugas yaitu klasifikasi biner (Matang/Setengah Matang) dan regresi (prediksi umur simpan). Model dengan kinerja terbaik kemudian diimplementasikan pada prototipe perangkat keras berbasis Raspberry Pi.
Hasil penelitian menunjukkan bahwa suhu penyimpanan secara signifikan memengaruhi kinerja model. Untuk tugas klasifikasi, MobileNetV3Small memperoleh akurasi sebesar 96% pada data uji, sedikit lebih tinggi dibandingkan MobileNetV2 yang mencapai akurasi 95%. Pada tugas regresi, MobileNetV3Small menunjukkan nilai kesalahan yang lebih rendah dibandingkan MobileNetV2 pada kedua kondisi suhu, dengan nilai R2 sebesar 0.924 dan MAE 1.33% pada suhu 8?C, serta R2 sebesar 0.932 dan MAE 2.68% pada suhu 25?C. Model terpilih berhasil diimplementasikan pada sistem berbasis Raspberry Pi dan mampu melakukan penilaian mutu cabai secara real-time melalui antarmuka grafis sehingga dapat dioperasikan oleh pengguna non-teknis di lapangan.
The standardization of postharvest quality in cayenne pepper faces two major challenges: the inconsistency of manual sorting processes and the highly variable ripening rate under different storage temperatures. This research addresses these issues by designing an objective detection system based on deep learning. The objective is to develop a prototype capable of accurately classifying ripeness levels and predicting the remaining shelf life of cayenne peppers at storage temperatures of 25?C and 8?C.
This study employed an experimental approach, beginning with the development of a primary dataset through periodic image acquisition of cayenne peppers under both temperature conditions. Ground truth labels for ripeness level (60–100%) and shelf life were quantitatively established through color analysis (median Hue), which was logarithmically transformed and normalized. The deep learning method adopted was transfer learning, chosen for its effectiveness with limited datasets. Two lightweight Convolutional Neural Network (CNN) architectures, MobileNetV2 and MobileNetV3Small, were evaluated for two tasks: binary classification (Ripe/Semi-Ripe) and regression (shelf-life prediction). The best-performing model was then implemented on a Raspberry Pi-based hardware prototype.
The experimental results indicate that storage temperature significantly influences model performance. For the classification task, MobileNetV3Small achieved an accuracy of 96% on the test data, slightly higher than MobileNetV2, which achieved an accuracy of 95%. For the regression task, MobileNetV3Small exhibited lower prediction errors than MobileNetV2 under both temperature conditions, with an R2 value of 0.924 and an MAE of 1.33% at 8?C, and an R2 value of 0.932 and an MAE of 2.68% at 25?C. The selected model was successfully implemented on a Raspberry Pi–based system and is capable of performing real-time chili quality assessment through a graphical user interface,allowing operation by non-technical users in field applications, supporting a more efficient chili sorting process.
Kata Kunci : Cabai rawit, Deep Learning, Transfer Learning, Raspberry Pi, MobileNet
