Perpustakaan Digital ITB

Indonesia merupakan negara dengan tingkat konsumsi cabai yang tinggi, namun produksi cabai nasional masih menghadapi kendala akibat penyakit antraknosa. Penyakit ini menyerang permukaan buah dan menyebabkan kerusakan yang menurunkan nilai jual. PT East West Seed Indonesia (EWINDO) sebelumnya telah mengembangkan chamber seleksi penyakit, namun akurasinya masih rendah, yaitu 52,32%. Untuk itu, kami merancang sistem seleksi ketahanan penyakit antraknosa berbasis segmentasi dan klasifikasi gambar cabai dengan tujuan meningkatkan akurasi identifikasi tingkat keparahan penyakit. Tiga solusi diusulkan: analisis warna permukaan, multiobjek dalam satu gambar, dan pemodelan bentuk cabai. Setelah dianalisis dengan metode AHP, dipilih solusi kedua karena sederhana, hemat biaya, dan cepat diimplementasikan. Penulis mengerjakan subsistem cloud. Subsistem cloud terhubung dengan sunsistem PU dan subsistem antarmuka melalui protokol HTTP. Subsistem ini terdiri dari penyimpanan cloud untuk menyimpan gambar cabai, backend untuk menjalankan klasifikasi, dan database untuk mencatat hasil klasifikasi. Backend dikembangkan menggunakan Flask dan menyediakan API untuk klasifikasi, manajemen data, dan penjadwalan. Data yang dikirim ke cloud akan diproses menggunakan model machine learning, lalu hasilnya disimpan dan ditampilkan kembali melalui antarmuka. Model klasifikasi menggunakan YOLOv11-cls, yang dilatih menggunakan dua dataset: dataset dari PT EWINDO dan dataset hasil pengambilan gambar sistem sendiri. Untuk meningkatkan performa, dilakukan preprocessing seperti filtering data dan data augmentation. Backend dijalankan di cloud menggunakan cPanel, dengan deployment model dan API klasifikasi, serta pengelolaan direktori otomatis. Proses pelatihan menghasilkan model dengan akurasi validasi 81% (dataset EWINDO) dan 98% (dataset sendiri). Seluruh proses klasifikasi dilakukan secara otomatis dengan integrasi penuh antarmuka pengguna dan API cloud. Hasil pengujian menunjukkan bahwa model yang dilatih dengan dataset sendiri mampu mencapai akurasi klasifikasi real sebesar 94%, jauh melampaui sistem sebelumnya. Dengan demikian, spesifikasi subsistem cloud berhasil dipenuhi.