KRATOM VISION (MACHINE LEARNING)

Latar Belakang Masalah Komoditas kratom (Mitragyna speciosa) merupakan penggerak ekonomi utama bagi puluhan ribu petani di Kalimantan Barat, khususnya Kabupaten Kapuas Hulu yang menjadi salah satu sentra budidaya terbesar di dunia. Meskipun demikian, industri kratom lokal kerap menghadapi kendala serius berupa tingginya angka penolakan ekspor (export rejection) dari negara tujuan seperti Amerika Serikat akibat kontaminasi jamur, bakteri, hingga inkonsistensi mutu varian daun. Tantangan ini kian mendesak seiring diterbitkannya Permendag Nomor 20 dan 21 Tahun 2023 yang mewajibkan kratom diekspor dalam bentuk olahan bubuk halus berukuran maksimal 600 mikron. Regulasi tersebut menuntut hilirisasi pascapanen yang ketat, sebab pemilahan varian tulang daun (Red, Green, White Vein) serta identifikasi cacat fisik menjadi mustahil dilakukan setelah daun digiling menjadi tepung. Di sisi lain, proses penyortiran manual oleh petani masih sangat bergantung pada penglihatan manusia yang rentan mengalami human error, kelelahan visual, dan subjektivitas. Ketiadaan instrumen kendali mutu (quality control) digital yang murah dan mudah diakses oleh petani maupun UMKM lokal pada akhirnya menghambat standardisasi bahan baku hulu. Tujuan dan Cara Kerja Inovasi Inovasi Kratom-Vision dirancang dan dibangun untuk mengatasi hambatan tersebut melalui sistem otomatisasi grading daun berbasis Machine Learning dan Computer Vision yang diintegrasikan ke dalam purwarupa web dashboard ringan dan responsif. Sistem ini bekerja memanfaatkan algoritma Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2 melalui pendekatan Transfer Learning, yang dioptimalkan agar dapat memproses citra secara efisien tanpa memerlukan spesifikasi komputasi yang berat. Cara kerja operasionalnya dimulai ketika pengguna mengakses antarmuka web melalui peramban laptop maupun ponsel pintar, lalu mengarahkan kamera perangkat secara langsung ke daun kratom utuh menggunakan protokol WebRTC API tanpa perlu mengunggah file foto secara manual. Citra yang ditangkap selanjutnya melalui tahap prapemrosesan berupa normalisasi nilai piksel dan penyesuaian dimensi menjadi 224x224 piksel. Model AI yang berjalan pada backend Flask kemudian menganalisis distribusi warna urat daun dan pola tekstur permukaan guna memprediksi kelas daun ke dalam empat kategori, yaitu Kratom Urat Merah (Red Vein), Hijau (Green Vein), Putih (White Vein), atau Daun Cacat/Berjamur (Reject), lengkap dengan persentase nilai probabilitas akurasinya dalam hitungan detik. Hasil Pengujian dan Dampak Hilirisasi Pengujian kinerja model menggunakan metode Black-Box Testing dan data uji independen menunjukkan tingkat akurasi klasifikasi sistem mencapai 92,5%, dengan efektivitas deteksi daun cacat (reject) sempurna sebesar 100%. Implementasi Kratom-Vision berfungsi sebagai sistem pendukung keputusan (decision support system) sekaligus gerbang kendali mutu awal yang andal di tingkat petani sebelum proses penggilingan dilakukan. Keberhasilan penyaringan daun busuk atau berjamur sedini mungkin di tahap hulu mampu mencegah risiko kontaminasi massal pada satu batch produksi, sehingga secara langsung menekan kerugian finansial akibat penolakan produk di pelabuhan ekspor. Lebih jauh lagi, kemurnian pemilahan varian daun secara presisi memberikan fondasi kokoh bagi percepatan hilirisasi perkebunan di Kalimantan Barat, memungkinkan diversifikasi produk kratom menjadi sediaan turunan bernilai ekonomi tinggi, seperti kapsul relaksasi farmakologis maupun teh herbal terstandarisasi yang berdaya saing kuat di pasar global. Alat dan Bahan Penelitian ini menggunakan beberapa perangkat keras (hardware) dan perangkat lunak (software) sebagai berikut: 1. Perangkat Keras: Komputer/Laptop untuk pelatihan model (training) dan Smartphone dengan kamera fungsional untuk pengujian sistem antarmuka berbasis web. 2. Perangkat Lunak: a. Bahasa Pemrograman Python 3.11.9 b. Framework Deep Learning: TensorFlow c. Framework Web Backend: Flask. d. Library Pendukung: OpenCV, Pillow, dan NumPy. e. Frontend: HTML5, CSS3, dan Vanilla JavaScript. 3. Bahan Penelitian: Dataset citra (foto) daun kratom yang dibagi menjadi 4 kelas utama: Kratom Merah, Kratom Hijau, Kratom Putih, dan Daun Cacat/Berjamur (Reject). FILE SOFTWARENYA NYA SILAHKAN BISA DI DOWNLOAD DI LINK BERIKUT INI : https://drive.google.com/drive/folders/1wMEB9LOVvz8FcLWB1GccQ1ZfjOZxKa67?usp=sharing