Bayangkan hamparan kebun nanas yang luas di bawah sinar matahari tropis. Ribuan buah nanas bersembunyi di antara daun-daun hijau panjang dan tajam. Bagi manusia, mengenali mana yang matang dan mana yang belum mungkin mudah, asal kita mau berjalan di tengah panas dan duri. Tapi bagaimana jika yang melakukannya adalah mesin panen otomatis atau drone pintar?
Di sinilah tantangan besar muncul: warna nanas sering menyatu dengan latar belakang, daun saling menutupi, dan pencahayaan di lapangan berubah-ubah. Hasilnya, banyak sistem kecerdasan buatan (AI) gagal mengenali buah dengan tepat.
Namun kabar baiknya, tim peneliti dari Tiongkok menemukan cara untuk mengatasi semua itu. Melalui penelitian terbaru berjudul “ESLC-YOLOv8: Advancing Real-Time Pineapple Recognition with Lightweight Deep Learning” yang dipublikasikan di Smart Agricultural Technology (2025), Weihua Shen, Mengyao Dong, Zhaoxin Zhang, Xiaying Hao, Yuzhen Su, dan Zhong Xue memperkenalkan algoritma baru yang disebut ESLC-YOLOv8. Tujuannya? Membuat mesin mampu mengenali nanas secara cepat, akurat, dan efisien di dunia nyata.
Baca juga artikel tentang: Pengaruh dan Nilai H/CO Pada Proses Gasifikasi Biomassa (Kulit Nanas) Jika Steam atau Udara Bertambah atau Berkurang
Masalah di Lapangan: Nanas Bukan Target yang Mudah
Mesin pemanen nanas otomatis masih menghadapi banyak kendala teknis.
Beberapa masalah utamanya meliputi:
- Warna yang mirip dengan latar belakang kulit nanas yang kekuningan atau kehijauan sering tampak menyatu dengan daun dan tanah di sekitarnya.
- Daun menutupi buah bentuk nanas yang “bersembunyi” di balik mahkota membuat kamera sulit menangkap gambar penuh.
- Lingkungan tidak stabil pencahayaan, bayangan, dan sudut pengambilan gambar berubah seiring waktu, membuat algoritma kesulitan mengenali pola.
Masalah-masalah ini membuat banyak teknologi pengenalan buah berbasis kamera gagal ketika dipindahkan dari laboratorium ke kebun yang sesungguhnya.
Solusi Cerdas: ESLC-YOLOv8, AI yang Cepat dan Ringan
Untuk mengatasi semua itu, para peneliti menciptakan algoritma baru bernama ESLC-YOLOv8, turunan dari YOLO (You Only Look Once), salah satu model deteksi objek paling populer di dunia kecerdasan buatan.
Namun, versi ini tidak hanya lebih cerdas tapi juga lebih ringan dan efisien.
Nama panjangnya, EIEStem-V7DS’Sample-LSCD-CA-YOLOv8n, mungkin terdengar rumit, tetapi di balik singkatan tersebut tersembunyi empat peningkatan utama yang membuatnya unggul:
1. EIEStem Module: Otak yang Efisien
Modul ini berfungsi seperti “korteks visual” bagi mesin, bagian otak yang pertama kali memproses gambar. EIEStem membantu komputer memahami bentuk dan tekstur nanas lebih cepat, sambil mengurangi beban komputasi. Dengan kata lain, sistem ini bisa berjalan di perangkat kecil seperti drone atau mesin panen portabel, tanpa perlu komputer besar.
2. V7DS’Sample: Belajar dari Data Lebih Sedikit
Biasanya, AI memerlukan ribuan gambar untuk bisa belajar mengenali satu jenis objek.
Namun, pendekatan ini mahal dan tidak praktis di pertanian yang terus berubah. V7DS’Sample adalah strategi pelatihan baru yang membuat model belajar lebih efisien dari data yang lebih sedikit, tanpa kehilangan akurasi.
Ini sangat penting karena kondisi di kebun sering berubah dari pencahayaan pagi ke sore, atau dari musim hujan ke musim kemarau. Dengan sistem ini, AI dapat beradaptasi lebih cepat terhadap variasi tersebut.
3. LSCD: Melihat Detail di Antara Daun
LSCD (Lightweight Spatial Contextual Decoder) berfungsi untuk memahami konteks spasial posisi dan hubungan antarobjek di dalam gambar. Misalnya, ketika sebagian nanas tertutup daun, LSCD membantu AI menebak bahwa “bentuk separuh ini kemungkinan besar adalah buah nanas yang sama.”
Dengan kemampuan ini, mesin dapat mendeteksi buah meski tidak terlihat sepenuhnya, sebuah kemajuan besar dibandingkan teknologi sebelumnya yang sering gagal saat terjadi tumpang tindih objek.
4. CA (Coordinate Attention): Fokus di Tempat yang Tepat
Komponen ini membuat AI mampu “memperhatikan” area penting dalam gambar. Jika sistem sebelumnya memperlakukan setiap piksel dengan bobot yang sama, CA membuatnya lebih selektif seperti manusia yang fokus pada pola kulit nanas atau perbedaan warna halus.
Dengan begitu, AI tidak terganggu oleh daun, bayangan, atau cahaya yang memantul, dan bisa lebih akurat dalam mengidentifikasi buah.
Mengapa Disebut “Lightweight”?
Salah satu keunggulan terbesar ESLC-YOLOv8 adalah sifatnya yang ringan artinya tidak memerlukan daya komputasi besar. Ini memungkinkan algoritma dijalankan langsung di perangkat lapangan seperti drone pertanian, kamera industri, atau bahkan ponsel cerdas yang terhubung dengan robot panen.
Pendekatan ini penting bagi negara berkembang yang ingin mengadopsi pertanian cerdas tanpa investasi mahal.
Dengan sistem yang hemat energi dan cepat, AI bisa benar-benar turun ke kebun.
Hasil Uji yang Mengagumkan
Ketika diuji di lapangan dengan kondisi nyata, termasuk cahaya yang tidak stabil, daun tumpang tindih, dan buah dengan warna mirip latar belakang ESLC-YOLOv8 menunjukkan performa luar biasa.
Beberapa pencapaian utamanya:
- Akurasi deteksi meningkat signifikan dibanding YOLOv8 standar.
- Waktu proses per gambar lebih cepat, memungkinkan deteksi real-time di drone yang sedang terbang.
- Konsumsi daya lebih rendah, ideal untuk perangkat bergerak dengan baterai terbatas.
Dengan kata lain, AI ini bisa melihat lebih baik, berpikir lebih cepat, dan bekerja lebih lama.
Dampaknya bagi Dunia Pertanian
Inovasi seperti ESLC-YOLOv8 bisa mengubah wajah pertanian modern, khususnya untuk tanaman tropis seperti nanas, pisang, atau mangga yang sulit diamati secara visual dari udara.
Beberapa manfaat langsung yang dapat dirasakan:
- Estimasi hasil panen otomatis, tanpa perlu tenaga manusia.
- Deteksi dini penyakit atau buah busuk, berdasarkan perbedaan warna dan tekstur.
- Penghematan biaya tenaga kerja, karena sistem dapat bekerja siang dan malam.
- Data pertanian real-time, membantu petani mengambil keputusan lebih cepat.
Bahkan, sistem ini dapat digabungkan dengan robot pemetik untuk melakukan panen selektif, hanya mengambil buah yang matang sempurna tanpa merusak yang lain.
Menuju Pertanian Cerdas dan Berkelanjutan
Kita sedang berada di masa transisi besar: dari pertanian tradisional menuju pertanian berbasis data dan kecerdasan buatan. Teknologi seperti ESLC-YOLOv8 adalah kunci agar transformasi ini bisa inklusif dan efisien.
Dengan sistem yang ringan, murah, dan akurat, negara-negara berkembang pun bisa ikut menikmati manfaat revolusi AI, tanpa harus membeli peralatan industri besar.
Dan siapa tahu, beberapa tahun ke depan, drone kecil yang terbang di atas kebun nanas di Subang atau Lampung akan menggunakan versi lokal dari ESLC-YOLOv8 ini untuk membantu petani Indonesia memantau hasil panen mereka.
Melalui penelitian ini, Weihua Shen dan tim menunjukkan bahwa kecerdasan buatan tidak harus rumit atau mahal untuk berguna.
Dengan inovasi cerdas dan desain ringan, ESLC-YOLOv8 mampu melihat di antara daun, membedakan warna serupa, dan mengenali buah secara real-time sesuatu yang bahkan mata manusia kadang kesulitan lakukan.
Teknologi ini membuka jalan menuju masa depan di mana drone dan mesin panen bekerja berdampingan dengan petani, bukan menggantikan mereka, tetapi memperkuat kemampuan manusia dalam mengelola alam.
Di kebun masa depan, nanas tak lagi hanya tumbuh, tapi juga “dikenali, dipahami, dan dipanen oleh kecerdasan buatan.”
Baca juga artikel tentang: 5 Kelompok Pengidap Penyakit yang Harus Hati-Hati Mengonsumsi Nanas
REFERENSI:
Shen, Weihua dkk. 2025. ESLC-YOLOv8: Advancing Real-Time Pineapple Recognition with Lightweight Deep Learning. Smart Agricultural Technology, 101139.
