Model Multimodal Deep Learning Berbasis Meta-Learning untuk Pendugaan Mutu dan Nutrien Bungkil Inti Sawit Menggunakan Citra Digital

Abstract

Pemanfaatan deep learning dalam evaluasi kualitas pangan dan pakan ternak telah berkembang pesat seiring meningkatnya kebutuhan akan metode analisis yang cepat, akurat, dan efisien. Berbagai penelitian mutakhir menunjukkan bahwa pendekatan berbasis citra digital dan deep learning mampu menjadi alternatif non-destruktif dalam menilai mutu bahan pangan maupun pakan, menggantikan metode konvensional yang cenderung lambat dan membutuhkan biaya tinggi. Salah satu bahan pakan alternatif lokal yang berpotensi untuk unggas adalah bungkil inti sawit (BIS), yaitu hasil samping dari proses ekstraksi minyak inti sawit. BIS diketahui mengandung protein kasar berkisar antara 14-21% dan serat kasar sekitar 17,63%, sehingga berpotensi dimanfaatkan sebagai sumber nutrisi unggas. Namun, pemanfaatannya masih terbatas akibat variasi kualitas nutrien dan adanya kontaminasi cangkang. Kondisi ini menuntut adanya metode evaluasi mutu yang andal, cepat, dan efisien. Pendekatan berbasis citra digital dapat berfungsi sebagai metode alternatif yang mampu melakukan estimasi mutu BIS secara langsung. Penelitian ini bertujuan mengembangkan pendekatan alternatif berbasis citra digital dan deep learning untuk menduga nutrien dan mutu BIS secara cepat dan efisien. Model yang dikembangkan menggunakan tiga arsitektur Convolutional Neural Network (CNN A, CNN B, dan CNN C), CNN A merupakan arsitektur dasar dengan dua lapisan konvolusi dan pooling, CNN B menambahkan dropout untuk mengurangi overfitting, sedangkan CNN C lebih kompleks dengan tambahan Batch Normalization, Global Average Pooling, dan lapisan konvolusi ketiga. Perbedaan ini untuk menganalisis pengaruh variasi arsitektur terhadap kualitas ekstraksi fitur dan akurasi prediksi mutu BIS. Fitur yang dihasilkan kemudian diintegrasikan dengan data tabular melalui kerangka multimodal regression, sehingga citra digital tidak hanya dipandang sebagai alat klasifikasi visual, tetapi sebagai representasi kuantitatif yang dapat digabungkan dengan data kimia untuk estimasi nutrien secara kontinu. Integrasi ini dilanjutkan dengan strategi stacking ensemble menggunakan beberapa meta-regressor, khususnya Support Vector Regression (SVR), Multilayer Perceptron (MLP), XGBoost, dan Random Forest Regressor (RFR). Pendekatan ini dirancang untuk memaksimalkan representasi fitur multimodal sekaligus meningkatkan kemampuan generalisasi model terhadap data yang belum pernah dilatih. Sebelum proses pelatihan, citra digital melalui tahapan praproses berupa penyesuaian ukuran, normalisasi, dan augmentasi untuk meningkatkan stabilitas pelatihan dan efisiensi komputasi. Evaluasi kinerja model dilakukan pada data validasi dan data uji yang sepenuhnya terpisah dari data pelatihan. Sebanyak 70 sampel BIS dikumpulkan secara acak dari empat perusahaan penyedia bahan pakan ternak. Setiap sampel diambil gambarnya menggunakan kamera smartphone dengan resolusi 50 megapixel (6120 × 8160 piksel), sehingga diperoleh citra dengan detail visual yang memadai untuk analisis berbasis deep learning. Selain itu, sampel-sampel tersebut didesain dengan variasi kadar kontaminasi cangkang sebesar 0%, 2,5%, 5%, 7,5%, 10%, 12,5%, dan 15%, yang bertujuan membangun representasi mutu BIS dalam kategori mutu 1, mutu 2, dan tidak bermutu berdasarkan SNI nomor 7856: 2017). Setiap sampel kemudian diuji di laboratorium menggunakan analisis proksimat untuk memperoleh data kandungan nutrisi, seperti kadar air, protein, lemak, serat, dan abu. Hasil analisis proksimat digabungkan dengan citra digital yang telah melalui tahap preprocessing, sehingga terbentuk dataset multimodal yang menjadi dasar pengembangan model prediksi mutu BIS. Tahap akhir penelitian adalah validasi dan evaluasi performa model. Performa CNN individual dibandingkan dengan model stacking menggunakan metrik Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), dan koefisien determinasi (R²). Validasi dilakukan di akhir setiap epoch untuk menilai kemampuan generalisasi model, sedangkan pengujian dilakukan pada citra yang belum pernah dikenali sebelumnya guna mensimulasikan kinerja model dalam kondisi nyata. Hasil penelitian menunjukkan bahwa model CNN A, B, C-XGBoost menghasilkan kinerja sangat tinggi pada data validasi (R² = 0,998), tetapi mengalami penurunan performa pada data uji (R² = 0,994). Sebaliknya, model CNN A, B, C-SVR menunjukkan kinerja validasi yang lebih rendah (R² = 0,823), namun mampu mempertahankan stabilitas dan generalisasi yang lebih baik pada data uji dengan nilai R² mencapai 0,999 serta kesalahan prediksi yang lebih rendah dibandingkan dengan model berbasis XGBoost. Temuan ini menegaskan bahwa pendekatan stacking berbasis SVR lebih robust terhadap variasi data baru dan memiliki ketahanan yang lebih baik terhadap overfitting. Meskipun nilai koefisien determinasi yang diperoleh sangat tinggi, hasil ini dicapai dalam kondisi eksperimental terkontrol dengan jumlah sampel terbatas, sehingga pengujian lanjutan pada skala data yang lebih besar tetap diperlukan untuk memperkuat validitas eksternal model. Melalui penelitian ini, dikembangkan kerangka evaluasi mutu bahan pakan berbasis multimodal regression yang mengintegrasikan data citra dan data tabular. Citra digital bukan hanya sebagai alat klasifikasi visual, tetapi sebagai representasi kuantitatif yang dapat diintegrasikan dengan data kimia untuk estimasi nutrient BIS secara kontinu. Secara keseluruhan, penelitian ini membuktikan bahwa integrasi ekstraksi fitur CNN pada BIS dengan data tabular BIS melalui kerangka multimodal regression dan strategi stacking ensemble memiliki potensi besar untuk dikembangkan sebagai sistem evaluasi mutu BIS berbasis citra digital yang cepat, akurat, dan non-destruktif. Model ini dapat diimplementasikan dalam sistem kendali mutu pakan unggas di lapangan, sehingga mendukung pemanfaatan BIS sebagai bahan pakan alternatif yang bernilai nutrien tinggi sekaligus meningkatkan efisiensi proses evaluasi mutu.