Segmentasi dan Penilaian Mutu Biji Kopi Robusta Secara Real-Time Menggunakan YOLO11n-Seg Pada Perangkat Android
Tahun 2026 · Penulis: Dhiyaul Faruq
Faculty of Computer Science, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/11851
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Terjemahan mesin (opus-mt-en-id) · dipakai untuk pengindeksan
Segmentasi dan Penilaian Mutu Biji Kopi Robusta Secara Real-Time Menggunakan YOLO11n-Seg Pada Perangkat Android
Penilaian kualitas biji kopi Robusta di Indonesia secara manual dilakukan berdasarkan Standar Nasional Indonesia (SNI) 01-2907-2008. Pendekatan ini memakan waktu, sangat tergantung pada pengalaman evaluasi, dan rentan terhadap hasil penilaian yang tidak konsisten. Penelitian ini bertujuan untuk mengembangkan sebuah aplikasi berbasis Android yang menggunakan model segmentasi instant dari YOLO11n untuk penilaian kualitas biji kopi Robusta yang sebenarnya. Data utama dikumpulkan dengan menangkap gambar biji kopi Robusta dan menganotasikan mereka ke dalam 21 kelas terdiri dari satu kelas kacang biasa dan dua puluh kelas cacat menurut SNI 01-2907-2008. Dataset ini diolah praproses, termasuk penangkaran gambar, pengolahan ulang, dan penambahan data, sebelum digunakan untuk melatih model itu melalui pembelajaran transfer. Model performa terbaik kemudian diubah menjadi format TesorFlow Lite dan digunakan dalam aplikasi Android yang dikembangkan menggunakan Kotlin dengan arsitektur Model-View-ViewModel (MVVM). Hasil percobaan menunjukkan bahwa model YOLO11n-seg diusulkan mencapai Precision 90.18%, Ingat 90.10%, mAP@0.59%, mAP@0.5:0.95 dari 91.89%, berarti Intersection atas Union 70,91%, dan mean Dice of 79.22%. Dibandingkan dengan YOLO11s-seg, YOLO11n-sege menunjukkan kompleksitas komputasi yang lebih rendah, ukuran model yang lebih kecil, dan waktu inferensi yang lebih cepat, membuatnya lebih cocok untuk penyebaran pada perangkat Android sumber daya yang terlatih. Aplikasi yang dikembangkan mampu melakukan segmentasi real-time, identifikasi cacat, dan kualitas penilaian biji kopi Robusta, menunjukkan potensinya sebagai lebih cepat, lebih objektif, dan lebih konsisten alternatif untuk inspeksi manual konvensional.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,847
Tahun 2026 · Penulis: Dimas Juli Pratama
Segmentasi Cacat Biji Kopi Robusta Menggunakan Modifikasi YOLO11-SEG Berbasis MOBILENETV3-SMALL
nspeksi visual secara manual terhadap cacat biji kopi Robusta membutuhkan waktu yang cukup lama dan berpotensi menghasilkan penilaian yang tidak konsisten. Penelitian ini memodifikasi YOLO11s-seg dengan mengganti backbone aslinya menggunakan MobileNetV3-Small
- Cosine 0,810
Tahun 2026 · Penulis: Mochamad Oktaviano Gunawan
Pengembangan Sistem Deteksi Kesehatan Tanaman Kubis Berbasis Low Altitude Monitoring & Deep Learning
Kesehatan tanaman kubis merupakan salah satu faktor penting yang memengaruhi produktivitas dan kualitas hasil panen. Proses pemantauan kondisi tanaman secara manual pada lahan yang luas memerlukan waktu dan tenaga yang besar serta berpotensi menghasilkan penga
- Cosine 0,808
Tahun 2026 · Penulis: Anggun Mellanie
Penerapan Arsitektur TL-MobileNetV2 Untuk Klasifikasi Pisang Lokal Berbasis Mobile
Pisang adalah salah satu komoditas hortikultura dengan berbagai varietas dan beragam karakteristik morfologis. Akan tetapi, beberapa varietas pisang memiliki ciri visual yang serupa seperti tekstur bentuk, warna, dan kulit, sehingga identifikasi manual sulit d