Smart Inspection untuk Sortir Hasil Pertanian: Biji Kopi, Kakao, dan Buah

Kenapa Sortir Hasil Pertanian Berbeda dari QC Pabrik

Di pabrik, produk bagus punya satu acuan: gambar teknik. Hasil pertanian tidak punya acuan semacam itu. Dua biji kopi dari karung yang sama bisa berbeda ukuran, warna, dan lekuk, dan keduanya tetap bermutu baik. Variasi alami adalah kondisi normal, bukan cacat. Tantangan yang sama muncul pada material alami lain seperti kayu dan veneer. Hasil perikanan seperti udang dan fillet ikan pun begitu, dan pendekatannya dibahas di kamera AI untuk industri perikanan & seafood.

Karena itu sortir komoditas selama ini sangat bergantung pada mata terlatih. Masalahnya, mata manusia lelah setelah dua jam, dan dua penyortir jarang memberi nilai yang sama untuk sampel yang sama. Selisih satu tingkat mutu pada satu kontainer ekspor bisa berujung potongan harga yang jauh lebih besar dari biaya tim sortir sebulan.

Smart inspection tidak menghapus penilaian manusia, tetapi membuatnya konsisten dan tercatat: kriteria yang sama diterapkan pada setiap biji, setiap shift, dengan foto sebagai buktinya.

Peta Pekerjaan Sortir yang Bisa Diotomasi

Pola umumnya sama: model mengenali dan menghitung, lalu aturan mutu menerjemahkan hitungan itu menjadi kelas. Pemisahan ini membuat standar bisa disesuaikan dengan permintaan pembeli tanpa melatih ulang model.

Biji Kopi: Dari Nilai Cacat ke Hitungan Otomatis

Penilaian mutu biji kopi di Indonesia memakai sistem nilai cacat SNI: setiap jenis cacat punya bobot — misalnya biji hitam bernilai 1 dan biji pecah bernilai 1/5 — lalu jumlah nilai dalam satu sampel menentukan kelas mutunya. Secara manual, sampel dihampar di meja, dipilah biji demi biji, lalu dijumlahkan.

Pekerjaan itu sangat cocok untuk kamera. Sampel dihampar di atas latar kontras, kamera memotret dari atas, model mendeteksi setiap biji beserta kelas cacatnya, dan hitungan per kelas langsung dikalikan bobotnya di rule engine. Hasilnya: nilai cacat total, kelas mutu, dan satu foto beranotasi untuk dilampirkan ke dokumen lot.

Dua hal perlu dijaga. Biji yang saling menumpuk akan salah hitung, jadi hamparan satu lapis lebih penting daripada resolusi kamera. Lalu, beda biji cokelat dan biji hitam sebagian sangat bergantung pada warna cahaya — pakai lampu dengan temperatur warna tetap dan tutup cahaya jendela, seperti dijelaskan di panduan pencahayaan camera vision.

Kakao: Membaca Hasil Uji Belah

Mutu biji kakao dinilai lewat uji belah: ratusan biji dibelah memanjang lalu penampangnya diperiksa. Biji terfermentasi baik tampak cokelat dengan rongga retak, biji slaty tampak abu-abu keunguan dan padat, sedangkan biji berjamur atau berserangga dipisahkan tersendiri.

Karena setiap biji sudah terbelah dan tertata di papan uji, tugas kamera adalah klasifikasi per biji, bukan mencari cacat kecil. Papan berlubang dengan jarak tetap sangat membantu: posisi biji pasti, sehingga persentase per kategori bisa dihitung tanpa ada yang terlewat. Keuntungan terbesarnya justru arsip foto setiap uji — saat pembeli mempersoalkan mutu, bukti penampang biji ada di tangan.

Buah: Ukuran, Kematangan, dan Batas Kamera

Untuk buah, tiga keputusan yang biasanya diotomasi adalah kelas ukuran, tingkat kematangan dari warna kulit, dan cacat kulit seperti bercak atau luka. Ukuran diambil dari diameter setelah kamera dikalibrasi — metodenya sama dengan pengukuran dimensi dengan camera vision — sedangkan kematangan dan cacat kulit ditangani model klasifikasi.

Batasnya perlu disebut jujur: kamera hanya melihat sisi yang menghadap lensa. Sisi bawah tidak terlihat kecuali buah diputar di atas roller atau difoto dari beberapa sudut, dan kerusakan di dalam daging buah yang belum tampak di kulit berada di luar jangkauan kamera biasa. Tetapkan target akurasi berdasarkan apa yang memang terlihat.

Musuh Utama: Musim, Varietas, dan Asal Kebun

Model yang dilatih dengan hasil satu panen bisa tersandung pada panen berikutnya, karena warna, ukuran, dan kadar air ikut bergeser. Ganti varietas atau asal kebun, efeknya sama. Ini bentuk khas drift model AI visual di sektor pertanian, dan jadwalnya bisa ditebak: setiap musim panen.

Solusinya ada di data. Kumpulkan contoh dari beberapa kebun dan varietas sejak awal, lalu sisihkan sampel acuan tiap panen untuk menguji ulang model — jumlah foto yang realistis dibahas di dataset & anotasi QC inspection AI. Untuk benda asing yang bentuknya tak terduga seperti batu, ranting, atau plastik, deteksi anomali sering lebih praktis daripada melatih setiap jenisnya. Pelabelan dan pelatihan ulang pun bisa dikerjakan staf QC sendiri, seperti pada model AI vision tanpa coding.

Meja Sampling atau Lini Sortir?

Ada dua skala penerapan dengan kebutuhan yang sangat berbeda:

• Meja sampling — kamera statis, sampel dihampar, hasilnya nilai mutu per lot. Murah, cepat dipasang, dan tidak mengubah alur yang ada.
• Lini sortir berjalan — komoditas mengalir di konveyor, dan setiap unit yang ditolak dikeluarkan dengan air ejector atau flap. Di sini waktu tunda antara kamera dan ejector jadi penentu, seperti di camera vision di conveyor cepat, dan sinyal tolaknya dikirim lewat pola integrasi ke PLC, MES, dan ERP.

Mulailah dari meja sampling. Selain jauh lebih sederhana, ia menghasilkan data berlabel dan angka false reject serta escape yang kelak menjadi dasar menghitung apakah lini sortir otomatis layak dibangun, memakai kerangka biaya & ROI QC inspection AI.

Langkah Pertama yang Masuk Akal

Pilih satu komoditas dan satu standar mutu yang paling sering memicu selisih dengan pembeli. Kumpulkan beberapa lot yang nilainya sudah disepakati penilai berpengalaman, jadikan acuan emas, lalu uji apakah kamera memberi kelas yang sama. Pola yang sama dipakai untuk komoditas perkebunan berskala besar, misalnya grading TBS di pabrik kelapa sawit, maupun hasil peternakan seperti grading telur di peternakan ayam petelur. Bila konsisten selama beberapa minggu, perluas bertahap mengikuti roadmap pilot project 30 hari.

Ingin mencoba smart inspection untuk sortir komoditas di gudang atau unit pengolahan Anda? Lihat paket & edisi Nirmana VisionAI.