[Cisauk, Tangerang], [25 Agustus 2026] — Menentukan kapan buah melon siap dipanen selama ini masih banyak mengandalkan cara manual: petani atau pekerja kebun mengetuk kulit buah, mencium aromanya, atau sekadar menaksir dari warna dan tampilan luar. Cara ini praktis, tetapi hasilnya sangat bergantung pada pengalaman masing-masing orang, sehingga rawan tidak konsisten terutama saat harus memeriksa ratusan buah dalam satu masa panen.
Berangkat dari persoalan itu, seorang mahasiswa Teknik Informatika mengembangkan sistem computer vision yang mampu menilai tingkat kematangan melon secara otomatis hanya dari foto buahnya, sebagai bagian dari penelitian skripsi yang dilakukan bekerja sama dengan sebuah perusahaan budi daya melon.
Penelitian yang mengangkat judul “Implementasi Convolutional Neural Network (CNN) untuk Mendeteksi Kematangan Buah Melon Berdasarkan Citra RGB Berbasis Web” ini berlangsung selama kurang lebih tujuh bulan, terhitung sejak 1 Desember 2025 hingga 10 Juli 2026.
Melihat Melon Seperti Manusia, tapi Lebih Konsisten
Sistem ini dibangun menggunakan Convolutional Neural Network (CNN), salah satu cabang kecerdasan buatan yang dirancang khusus untuk “membaca” pola visual dalam gambar mirip cara kerja mata dan otak manusia mengenali bentuk, warna, dan tekstur, namun dijalankan secara konsisten oleh mesin tanpa rasa lelah atau bias subjektif.
Untuk arsitektur modelnya, penelitian ini mengadopsi MobileNetV2, arsitektur CNN yang dikenal ringan namun tetap akurat, sehingga cocok dijalankan pada sistem berbasis web tanpa memerlukan perangkat keras yang berat. Pendekatan transfer learning digunakan agar model dapat belajar mengenali karakteristik visual melon secara lebih efisien, berbekal pengetahuan visual umum yang sudah dipelajari model sebelumnya.
Dua Lapis Pengecekan: Validasi, Baru Klasifikasi
Salah satu hal menarik dari sistem ini adalah pendekatan dua tahap (cascade) dalam memproses setiap gambar yang diunggah:
- Tahap Validasi (Melon vs. Bukan Melon) — Sebelum menilai kematangannya, sistem terlebih dahulu memeriksa apakah objek dalam gambar benar-benar melon. Langkah ini penting untuk mencegah kesalahan input, misalnya jika pengguna tidak sengaja mengunggah foto buah lain atau objek yang tidak relevan.
- Tahap Klasifikasi Kematangan — Setelah gambar dipastikan berisi melon, model kedua akan mengklasifikasikannya ke dalam tiga kategori kematangan: Matang, Setengah Matang, dan Mentah, berdasarkan analisis warna dan pola citra RGB pada permukaan kulit buah.
Pendekatan berlapis ini membuat sistem lebih andal dibanding model tunggal, karena setiap gambar melewati proses penyaringan sebelum masuk ke tahap klasifikasi akhir.
Bisa Diakses Langsung dari Browser
Model AI ini tidak berdiri sendiri, melainkan dibungkus dalam sebuah aplikasi web yang bisa diakses pengguna secara langsung. Melalui aplikasi ini, pengguna dapat mengunggah foto melon atau bahkan mengambil gambar langsung dari kamera perangkat, lalu menerima hasil klasifikasi kematangan secara real-time.
Hasil Pengujian
Pengujian dilakukan secara terpisah untuk masing-masing tahap. Pada tahap validasi Melon/Bukan Melon, model berhasil mengenali seluruh 160 citra evaluasi (120 citra melon dan 40 citra bukan melon) tanpa satu pun kesalahan, sehingga mencatatkan akurasi 100%, dengan nilai precision, recall, dan F1-score yang juga mencapai 100% untuk kedua kelas.
Sementara itu, pada tahap klasifikasi tiga kelas kematangan (Matang, Setengah Matang, dan Mentah), model diuji menggunakan 90 citra data uji independen (30 citra per kelas) yang sama sekali belum pernah dilihat model selama pelatihan. Hasilnya, model mencapai akurasi 97,78%, dengan rata-rata precision 97,92%, recall 97,78%, dan F1-score 97,77% di antara ketiga kelas. Capaian ini meningkat signifikan dibandingkan model awal (Custom CNN 3 kelas) pada tahap penelitian sebelumnya, yang hanya mencapai akurasi 90,67%.
Tanggapan dari Lapangan
“Selama ini penentuan kematangan melon di kebun masih sangat mengandalkan pengalaman dan insting petugas lapangan. Setiap orang bisa punya penilaian yang sedikit berbeda, apalagi kalau volume panen sedang tinggi. Kalau ada alat bantu yang bisa memberi penilaian secara cepat dan konsisten, itu akan sangat membantu proses kerja kami sehari-hari,” ujar [Muhamad arif], Supervisor di Lapangan.
Manfaat bagi Industri Pertanian
Penelitian ini menunjukkan bagaimana teknologi kecerdasan buatan yang mulanya identik dengan riset laboratorium kini dapat diterapkan secara praktis untuk membantu persoalan nyata di sektor pertanian dalam hal ini, membantu proses penentuan kematangan buah agar lebih cepat, konsisten, dan tidak sepenuhnya bergantung pada penilaian manual. Sistem semacam ini berpotensi dikembangkan lebih lanjut untuk mendukung efisiensi proses panen di skala yang lebih besar.
