Pengenalan
Penggredan buah menentukan harga yang diterima petani dan keyakinan pembeli, terutamanya bagi pasaran eksport dan pasar raya. Di Malaysia, Lembaga Pemasaran Pertanian Persekutuan (FAMA) bertanggungjawab membangunkan dan menguatkuasakan penggredan serta pelabelan hasil pertanian segar, berpandukan piawaian keluaran pertanian negara (pengetahuan am). Namun, teks penuh piawaian gred FAMA tidak diterbitkan sebagai kertas penyelidikan. Tiada satu pun kajian yang ditemui dalam carian ini memuatkan teks piawaian tersebut. Oleh itu, artikel ini tidak menyenaraikan kriteria gred rasmi bagi setiap buah. Sebaliknya, ia menghuraikan parameter yang digunakan oleh kajian-kajian penggredan di Malaysia yang merujuk kepada spesifikasi FAMA.
Kajian utama yang diringkaskan ialah “Quality Classification of Harumanis Mango Based on External Multi-Parameter and Machine Learning Techniques” (“Quality classification of Harumanis mango…”, 2025), diterbitkan dalam International Journal of Advanced Computer Science and Applications. Objektifnya ialah membangunkan sistem penggredan berasaskan imej yang tidak merosakkan buah, berdasarkan ciri luaran seperti tahap kecacatan permukaan, indeks kemasakan, keseragaman bentuk dan saiz. Negara kajian tidak dinyatakan dalam abstrak, tetapi Harumanis ialah mangga terkenal dari Perlis, Malaysia (seperti yang dinyatakan dalam kajian sokongan 2014). Dapatan dilengkapi oleh kajian penggredan limau Citrus suhuiensis mengikut spesifikasi FAMA (2022), belimbing (Averrhoa carambola L.) mengikut piawaian FAMA untuk eksport (2005), sistem penimbang mangga Harum Manis (2014) dan penggredan manggis untuk pasaran eksport (t.t.).
Sorotan Kajian Lepas
Kajian utama bersandar pada literatur kualiti mangga dan pembelajaran mesin. Ntsoane, Zude-Sasse, Mahajan dan Sivakumar (2019) mengulas perubahan fisiologi buah, kualiti lepas tuai dan kriteria penilaian tidak merosakkan sepanjang rantaian bekalan mangga, serta kesan teknologi lepas tuai terhadap kualiti pemakanan buah.
Dari sudut teknologi penggredan automatik, Gururaj, Vinod dan Vijayakumar (2022) memberi tumpuan kepada peningkatan ketepatan sistem penggredan mangga automatik melalui penggredan berbilang peringkat menggunakan pembelajaran mendalam, penglihatan komputer dan pemprosesan imej.
Bahagian kaedah pula dipandu oleh kajian pengelasan data. Singh dan Singh (2020) menyiasat kesan empat belas kaedah penormalan data terhadap prestasi pengelasan, manakala Ghaddar dan Naoum-Sawaya (2018) memperkenalkan pendekatan pemilihan ciri dengan mesin vektor sokongan (SVM) bagi data berdimensi tinggi. Kedua-dua kajian ini relevan kerana sistem penggredan buah juga perlu menormalkan data imej, memilih ciri yang bermakna dan menilai kebolehpercayaan keputusan.
Dapatan Utama
Penggredan manual tidak konsisten. Kajian utama menyatakan bahawa amalan industri melaporkan hanya 70–80% ketekalan antara penggred manusia, dan ketepatan menurun lagi apabila penggred letih atau jumlah buah tinggi. Had ini menyukarkan jaminan kualiti yang seragam, terutamanya untuk pasaran eksport.
Empat parameter luaran mangga Harumanis. Sistem penglihatan mesin menganalisis 1,018 sampel mangga berdasarkan tahap kecacatan permukaan, indeks kemasakan, keseragaman bentuk dan saiz. Ciri diekstrak melalui segmentasi imej dan analisis warna serta bentuk, kemudian dikelaskan menggunakan Sistem Inferens Kabur (FIS) dan model pembelajaran mesin (SVM, MLPNN dan ANFIS).
Ketepatan tinggi. Ketepatan indeks kemasakan mencapai 93.5%, keseragaman bentuk 91.6% dan pengelasan saiz melebihi 96%. Varian SVM+ yang dipertingkat mencatat ketepatan keseluruhan terbaik, iaitu 95.1%, dengan kadar ralat terendah. Mangga dikelaskan kepada kategori PREMIUM, GRADE 1, GRADE 2 dan REJECT. Abstrak tidak menyatakan sama ada kategori ini disalin terus daripada piawaian FAMA.
Saiz mangga ditentukan oleh berat. Kajian Harum Manis (2014) menyatakan bahawa menurut FAMA, saiz mangga ditentukan oleh berat. Petani masih menggred secara visual kepada tiga saiz, iaitu A (terbesar), B (sederhana) dan C (terkecil), satu kaedah yang tidak konsisten. Kajian ini membangunkan sistem mekatronik yang menggred mangga melalui penimbangan dan memaparkan gred kepada pengguna.
Kemasakan, kualiti dan saiz limau. Kajian Citrus suhuiensis (2022) mengelaskan buah mengikut spesifikasi penggredan yang disediakan oleh FAMA, menggunakan rangkaian neural konvolusi (CNN). Set data kemasakan menggunakan 303 imej latihan dan 75 imej ujian, manakala set data kualiti menggunakan 283 imej latihan dan 68 imej ujian. Model berjaya mengelaskan buah kepada 6 kelas kemasakan dan 3 kelas kualiti. Abstrak turut menegaskan bahawa buah yang belum matang dan lebam akan menurunkan harga pasaran.
Bentuk dan warna belimbing. Kajian belimbing (2005) menggunakan kriteria berdasarkan piawaian FAMA untuk eksport belimbing. Kaedah pemisahan bentuk berasaskan Fourier digunakan untuk bentuk, dan analisis diskriminan multivariat untuk warna. Lebih 200 sampel diperiksa; sistem mengelaskan 100% buah dengan betul bagi bentuk dan 92% bagi warna, berbanding penilaian manusia.
Manggis untuk eksport. Kajian manggis (t.t.) menilai peringkat kemasakan, kelas dan saiz: tujuh peringkat kemasakan (peringkat satu hingga enam serta peringkat belum matang), empat kelas (extra class, kelas B, kelas C dan bukan piawai) dan tujuh saiz (Jumbo hingga Mini). Warna kulit, kawasan kecacatan kulit dan keutuhan kelopak (calyx) turut diambil kira; kerosakan akibat getah kuning, rekahan dan serangga diekstrak. Ketepatan purata ialah 99.54%. Piawaian eksport yang digunakan dan negaranya tidak dinyatakan dalam abstrak.
| Buah | Parameter dinilai | Angka utama | Sumber |
|---|---|---|---|
| Mangga Harumanis | Kecacatan, kemasakan, bentuk, saiz | 1,018 sampel; SVM+ 95.1% | “Quality classification of Harumanis mango…” (2025) |
| Mangga Harum Manis | Saiz melalui berat (A, B, C) | Sistem penimbang mekatronik | “Mango (Harum Manis) quality grading system” (2014) |
| Citrus suhuiensis | Kemasakan, kualiti, saiz (spesifikasi FAMA) | 6 kelas kemasakan, 3 kelas kualiti | “Automated grading of Citrus suhuiensis…” (2022) |
| Belimbing | Bentuk dan warna (piawaian FAMA eksport) | Bentuk 100%, warna 92% | “Automated inspection system…” (2005) |
| Manggis | Kemasakan, kelas, saiz, kecacatan, kelopak | Ketepatan purata 99.54% | “Mangosteen quality grading…” (t.t.) |
Perbincangan
Secara keseluruhan, kajian yang secara jelas merujuk kepada FAMA (limau, belimbing dan mangga Harum Manis), bersama kajian utama, menunjukkan bahawa penggredan buah berkisar pada beberapa kumpulan parameter: saiz (bagi mangga, melalui berat), tahap kemasakan atau warna, bentuk, dan kecacatan permukaan seperti lebam. Inilah jawapan paling jujur kepada soalan “apa yang dinilai” berdasarkan bukti yang ada. Nilai had sebenar bagi setiap gred, contohnya julat berat bagi saiz A, B dan C, tidak dinyatakan dalam mana-mana abstrak, dan perlu dirujuk terus kepada dokumen piawaian FAMA atau Jabatan Standard Malaysia (pengetahuan am).
Perbandingan antara kajian juga menunjukkan bahawa parameter berbeza mengikut buah. Belimbing dinilai pada bentuk bucu dan warna keemasan, limau pada kemasakan dan kualiti, manakala manggis turut dinilai pada keutuhan kelopak. Kajian utama pula menunjukkan bahawa sistem penglihatan mesin menunjukkan peningkatan berbanding penggredan manual, yang dilaporkan hanya 70–80% konsisten antara penggred.
Batasan utama ialah semua kajian ini bersifat teknologi pengelasan, bukan kajian dasar tentang piawaian itu sendiri. Sampel juga terhad, misalnya 1,018 mangga dan lebih 200 belimbing. Walaupun begitu, bagi pengusaha di Malaysia, teknologi ini membuka ruang kepada pusat pengumpulan dan pembungkusan untuk menggred secara lebih seragam sebelum hasil dihantar ke pasaran.
Implikasi kepada Petani dan Agensi
1. Dapatkan salinan spesifikasi gred terkini daripada FAMA bagi buah yang diusahakan, kerana kriteria rasmi tidak terdapat dalam kajian akademik (pengetahuan am).
2. Ukur saiz mangga melalui berat menggunakan penimbang, bukan anggaran mata, selaras dengan amalan yang dilaporkan oleh kajian Harum Manis.
3. Kurangkan lebam dan kecacatan kulit sejak penuaian, kerana buah lebam dan belum matang menurunkan harga pasaran.
4. Tuai pada peringkat kemasakan yang konsisten supaya buah jatuh dalam kelas kemasakan yang dikehendaki pembeli.
5. Agensi boleh menilai sistem penggredan berasaskan imej di pusat pengumpulan untuk meningkatkan ketekalan penggredan.
Kesimpulan
Kajian penggredan buah yang merujuk kepada FAMA menilai saiz (mangga melalui berat), kemasakan, kualiti, warna dan bentuk, manakala kajian mangga Harumanis turut menilai kecacatan permukaan dan kajian manggis (piawaian eksport tidak dinyatakan) menilai keutuhan kelopak. Sistem penglihatan mesin mencapai ketepatan tinggi, termasuk 95.1% bagi mangga Harumanis. Namun, kriteria gred rasmi FAMA tidak terkandung dalam bukti yang ditemui, dan perlu dirujuk terus kepada dokumen piawaian.
Rujukan
1. Quality classification of Harumanis mango based on external multi-parameter and machine learning techniques. (2025). International Journal of Advanced Computer Science and Applications. https://doi.org/10.14569/ijacsa.2025.0161059
2. Automated grading of Citrus suhuiensis fruit using deep learning method. (2022). [Bab buku]. https://doi.org/10.1007/978-981-16-8484-5_8
3. Automated inspection system for colour and shape grading of starfruit (Averrhoa carambola L.) using machine vision sensor. (2005). Transactions of the Institute of Measurement and Control. https://doi.org/10.1191/0142331205TM138OA
4. Mango (Harum Manis) quality grading system. (2014). [Disertasi].
5. Mangosteen quality grading for export markets using digital image processing techniques. (t.t.). International Journal on Advanced Science, Engineering and Information Technology. https://doi.org/10.18517/ijaseit.11.6.14003
6. Ntsoane, M. L., Zude-Sasse, M., Mahajan, P. V., & Sivakumar, D. (2019). Quality assesment and postharvest technology of mango: A review of its current status and future perspectives. Scientia Horticulturae. https://doi.org/10.1016/J.SCIENTA.2019.01.033
7. Gururaj, N., Vinod, V., & Vijayakumar, K. (2022). Deep grading of mangoes using Convolutional Neural Network and Computer Vision. Multimedia Tools and Applications. https://doi.org/10.1007/s11042-021-11616-2
8. Singh, D., & Singh, B. (2020). Investigating the impact of data normalization on classification performance. Applied Soft Computing. https://doi.org/10.1016/J.ASOC.2019.105524
9. Ghaddar, B., & Naoum-Sawaya, J. (2018). High dimensional data classification and feature selection using support vector machines. European Journal of Operational Research. https://doi.org/10.1016/J.EJOR.2017.08.040
Sumber carian: SciSpace Literature Review (mod High Quality), November 2026.
Kata kunci: FAMA, penggredan buah, mangga Harumanis, kemasakan, kecacatan permukaan, penglihatan mesin, belimbing, manggis







