Editorial Ilmu Komputer & AI
FruVeg_MultiNet: Sistem IoT Hibrida Berbasis Pembelajaran Mendalam untuk Identifikasi Buah dan Sayuran Segar dengan Antarmuka Web dan Kacamata Tunanetra Kustom bagi Individu Tunanetra
Masalah inti
Mengenali buah dan sayuran segar adalah tugas visual rutin bagi pembeli yang dapat melihat, namun hal ini menjadi hambatan aksesibilitas yang substansial bagi individu tunanetra dan yang memiliki gangguan penglihatan (BVI). Identifikasi hasil bumi penting untuk manajemen nutrisi, penghindaran alergen dan diet, verifikasi harga di pasar, serta belanja bahan makanan secara mandiri. Alat bantu konvensional—label braille, penanda taktil, atau asisten manusia—sering kali tidak tersedia pada hasil bumi lepas, tidak konsisten di berbagai lingkungan ritel, atau bergantung pada kehadiran orang lain.
FruVeg_MultiNet diposisikan pada persimpangan tiga aliran penelitian: (i) klasifikasi visual hasil bumi segar yang berbutir halus, di mana kesamaan antar-kelas tinggi (misalnya, sayuran berdaun hijau, varietas jeruk, tanaman umbi berwarna serupa); (ii) implementasi edge/IoT, di mana inferensi harus berjalan andal di luar kondisi laboratorium terkontrol; dan (iii) interaksi manusia-komputer bantu, di mana modalitas keluaran (audio, haptik, atau keduanya) menentukan kegunaan di dunia nyata.
Kontribusi yang dinyatakan dari karya ini, sebagaimana tercermin dalam judul dan catatan kepenulisannya, a
Inovasi
Catatan sumber yang diberikan tidak mencakup abstrak artikel, tabel hasil, atau gambar, sehingga hasil kuantitatif—akurasi, presisi, *recall*, skor , latensi, atau konsumsi daya—tidak dapat dilaporkan di sini tanpa fabrikasi. Apa yang dapat ditegaskan dari catatan itu sendiri terbatas pada: studi tersebut ada dengan judul *FruVeg_MultiNet: A hybrid deep learning-enabled IoT system for fresh fruit and vegetable identification with web interface and customized blind glasses for visually impaired individuals*, ditulis oleh Khondokar Oliullah, Md. Reazul Islam, Jahirul Islam Babar, Nur Quraishi, Md. Mahbubur Rahman, Md. Mahbub-Or-Rashid, dan T. M. Amir-Ul-Haque Bhuiyan, dan muncul di *Journal of Agriculture and Food Research* dengan tahun 2025 dan DOI 10.1016/j.jafr.2024.101623.
Sebagai orientasi, metrik evaluasi yang secara konvensional akan dilaporkan oleh studi dengan desain ini didefinisikan di bawah. Formula-formula ini menjelaskan ruang metrik, bukan nilai terukur dari studi:
= 2 \cdot \frac{\text{Precision} \cdot \text{Recall}}{\
Mengapa penting
Signifikansi FruVeg_MultiNet terletak pada pembingkaiannya sebagai sistem *terkopel* daripada model mandiri. Tiga keputusan desain membawa argumen ini.
Pertama, **hibriditas sebagai respons terhadap klasifikasi berbutir halus.** Hasil bumi segar menunjukkan kesamaan antar-kelas yang tinggi dan variabilitas intra-kelas yang tinggi: satu kultivar apel bergeser warna di bawah pencahayaan yang berbeda, sementara sayuran hijau yang berbeda mungkin hanya berbeda dalam geometri daun. Sebuah CNN tunggal dapat *overfit* pada isyarat warna superfisial. Meng-*ensemble* atau menghibridasi beberapa ekstraktor fitur adalah strategi yang dapat dipertahankan untuk memulihkan struktur diskriminatif, dan penamaan 'MultiNet' menandakan bahwa ini adalah kontribusi yang dimaksudkan.
Kedua, **IoT sebagai jembatan dari lab ke lorong.** Pengklasifikasi yang hanya berjalan di *workstation* tidak dapat membantu pembeli di pasar. Lapisan IoT dalam judul menyiratkan bahwa inferensi atau koordinasi terjadi pada atau di dekat perangkat, dengan antarmuka web berfungsi sebagai permukaan manajemen, pencatatan, atau pemantauan jarak jauh. Ini menimbulkan *trade-off* komputasi *edge* standar antara kompresi model, latensi, dan akurasi.
Ketiga, **perangkat yang dapat dikenakan sebagai antarmuka aksesibilitas.** Kacamata tunanetra kustom mengubah keluaran klasifikasi menjadi sinyal yang dapat dirasakan oleh pengguna BVI. Secara historis, sistem penglihatan bantu sering kali gagal bukan pada lapisan model tetapi pada lapisan interaksi: umpan balik yang tertunda, label audio yang ambigu, atau perangkat keras yang tidak nyaman merusak adopsi terlepas dari akurasi *benchmark*. Memperlakukan kacamata sebagai komponen kelas satu—daripada sebagai pemikiran sampingan—adalah sikap desain paling konsekuensial dari studi ini.
**Keterbatasan dan pertanyaan terbuka.** Dengan hanya catatan bibliografi yang tersedia, berikut ini tetap belum terpecahkan: ukuran dan asal *dataset* hasil bumi (citra terkontrol laboratorium versus *in-the-wild*), apakah *dataset* dirilis secara publik, keseimbangan kelas di seluruh buah dan sayuran, *backbone* spesifik yang menyusun model hibrida, spesifikasi perangkat keras kacamata tunanetra, apakah studi pengguna dengan peserta tunanetra dilakukan, dan angka akurasi serta latensi yang dilaporkan. Pekerjaan di masa depan di ruang ini akan mendapat manfaat dari *benchmark* hasil bumi *in-the-wild* yang terstandardisasi, keluaran audio multi-bahasa, dan uji coba lapangan longitudinal dengan pengguna BVI.
**Catatan taksonomi.** Meskipun label taksonomi kandidat (Arsitektur, Keamanan Siber, Jaringan, Kriptografi) disarankan untuk item ini, pusat gravitasi disipliner aktual studi ini adalah pembelajaran mendalam terapan untuk teknologi bantu dalam penelitian pertanian dan pangan; 'Arsitektur' adalah label yang paling dekat berlaku, dan label berorientasi keamanan tidak menggambarkan pekerjaan sebagaimana diwakili oleh judulnya.
Siapa yang sebaiknya membaca
Membuka konten member…