Teknologi ini penting karena kerusakan setelah panen masih menjadi salah satu persoalan dalam rantai pasok pangan. Produk pertanian yang mudah rusak terus mengalami perubahan fisiologis setelah dipanen. Proses seperti respirasi dan kehilangan air dapat menyebabkan penurunan berat, perubahan warna, perubahan tekstur, hingga kerusakan fisik.
Kondisi tempat penyimpanan ikut menentukan seberapa cepat penurunan kualitas tersebut berlangsung. Suhu, kelembapan, dan lamanya penyimpanan dapat memengaruhi kondisi produk. Namun, sistem penyimpanan konvensional umumnya hanya melakukan pemeriksaan kualitas pada waktu tertentu. Cara tersebut membuat pengelola lebih sulit mengetahui bagaimana kondisi produk akan berubah beberapa hari kemudian.
Dari sekadar memantau menjadi memprediksi
Rustan menempatkan Digital Twin sebagai pendekatan yang tidak hanya menggambarkan kondisi fisik produk secara digital, tetapi juga membantu memperkirakan perubahan kondisi pada periode berikutnya.
Digital Twin pada dasarnya merupakan representasi digital dari objek fisik yang dibangun menggunakan data aktual. Dalam konteks pertanian, teknologi ini dapat menghubungkan kondisi lingkungan penyimpanan dengan perubahan kualitas produk. Dengan demikian, pengelola tidak hanya mendapatkan informasi mengenai kondisi produk saat ini, tetapi juga dapat memperkirakan kemungkinan penurunan kualitas selanjutnya.
Pendekatan tersebut mengisi celah dari sejumlah penelitian sebelumnya yang lebih banyak menggunakan teknologi digital untuk pemantauan lingkungan, produksi, dan budidaya. Penggunaan Digital Twin untuk memprediksi kualitas produk pertanian selama penyimpanan masih relatif terbatas. Rustan menawarkan pendekatan berbasis tren perubahan kualitas dari data historis yang lebih sederhana dibandingkan model prediksi yang membutuhkan sistem komputasi kompleks.
50 sampel diamati selama 12 hari
Penelitian Rustan menggunakan pendekatan kuantitatif eksperimental dengan 50 unit sampel produk pertanian yang dipilih berdasarkan keseragaman ukuran, tingkat kematangan, kondisi awal, dan kerentanan terhadap kerusakan setelah panen.
Sampel diamati selama 12 hari, mulai dari hari ke-0 hingga hari ke-12. Pengamatan dilakukan dalam 13 periode dan menghasilkan 650 titik observasi. Setiap titik mencakup lima parameter, yaitu suhu, kelembapan, berat, warna, dan tekstur. Secara keseluruhan, dataset yang digunakan untuk membangun model mencapai 3.250 data observasi.
Data lingkungan dan kualitas produk kemudian disusun berdasarkan waktu penyimpanan. Pola perubahan historis tersebut digunakan untuk menghitung rata-rata perubahan kualitas setiap hari dan menjadi dasar untuk memprediksi kondisi produk pada periode berikutnya.
Selama eksperimen, suhu penyimpanan berada pada kisaran 24,6–29,8 derajat Celsius, sedangkan kelembapan relatif berada pada 68,5–84,7 persen. Perubahan kondisi lingkungan tersebut berjalan bersamaan dengan perubahan karakteristik fisik produk.
Penurunan kualitas dapat diprediksi dengan kesalahan rendah
Hasil pengamatan menunjukkan adanya penurunan kualitas secara bertahap selama penyimpanan. Kehilangan berat meningkat dari 0 persen pada kondisi awal menjadi 18,6 persen pada hari ke-12. Perubahan warna mencapai 42,3 persen, sementara tingkat kerusakan mencapai 28 persen pada akhir periode pengamatan.
Model Predictive Digital Twin kemudian digunakan untuk memperkirakan perubahan tersebut. Berdasarkan tren kehilangan berat, rata-rata perubahan tercatat sekitar 1,55 persen per hari.
Pada hari ketiga, model memprediksi kehilangan berat sebesar 4,6 persen, sementara kondisi aktual mencapai 4,8 persen. Pada hari keenam, prediksi berada di angka 9,3 persen dibandingkan kondisi aktual 9,7 persen. Pada hari kesembilan, model menghasilkan prediksi 13,9 persen dibandingkan aktual 14,2 persen. Pada hari ke-12, prediksi mencapai 18,2 persen, sedangkan nilai aktual sebesar 18,6 persen.
Evaluasi menggunakan indikator Mean Absolute Error (MAE) menghasilkan nilai 0,32 persen. Root Mean Square Error (RMSE) tercatat 0,36, sedangkan tingkat kecocokan prediksi mencapai 98,3 persen. Angka tersebut menunjukkan bahwa model mampu mengikuti pola perubahan kualitas produk dengan selisih yang relatif kecil dalam kondisi eksperimen yang digunakan.
Membantu keputusan penyimpanan dan distribusi
Menurut Rustan dari Universitas Sulawesi Tenggara, hasil tersebut memperlihatkan bahwa Digital Twin dapat dikembangkan bukan hanya sebagai alat pemantauan, tetapi juga sebagai sistem prediksi berbasis data. Model dapat memberikan gambaran mengenai kemungkinan perubahan kualitas sebelum kerusakan produk menjadi lebih parah.
Dalam praktiknya, pendekatan ini berpotensi membantu pengelola gudang, pelaku agribisnis, industri pangan, dan manajer rantai pasok menentukan strategi penyimpanan dan distribusi. Informasi prediktif dapat digunakan untuk memperkirakan kapan kualitas produk mulai menurun dan membantu menentukan prioritas distribusi sebelum nilai ekonominya semakin berkurang.
Teknologi tersebut juga dapat mendukung pengembangan pertanian berbasis data. Pengambilan keputusan tidak lagi hanya bergantung pada pemeriksaan kondisi produk saat ini, tetapi dapat mempertimbangkan pola perubahan yang telah terjadi sebelumnya.
Meski demikian, model ini masih memiliki keterbatasan. Penelitian hanya menggunakan 50 sampel dengan kondisi penyimpanan tertentu sehingga penerapannya pada berbagai jenis komoditas dan lingkungan belum dapat langsung digeneralisasi. Model juga masih menggunakan pendekatan tren rata-rata dan belum memasukkan faktor biologis yang lebih kompleks, seperti aktivitas mikroorganisme, komposisi kimia, serta perubahan lingkungan yang ekstrem.
Rustan merekomendasikan penelitian berikutnya memperluas jumlah sampel dan jenis komoditas, menggunakan sensor secara real-time, serta mengintegrasikan Internet of Things (IoT) dan algoritma kecerdasan buatan yang lebih adaptif. Pengembangan tersebut diharapkan membuat Digital Twin semakin akurat dalam menggambarkan perubahan kualitas produk pertanian.
0 Komentar