Object Based Augmentation berbasis Segment Anything Model terhadap penanganan Class Imbalance dataset cacat biji kopi
Tahun 2026 · Penulis: Ainun Maya Rohmani
Faculty of Computer Science, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/12389
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Ketidakseimbangan distribusi kelas (class imbalance) pada dataset citra cacat biji kopi merupakan salah satu faktor yang dapat menurunkan performa model deteksi, terutama pada kelas minoritas yang memiliki jumlah sampel terbatas. Permasalahan ini menjadi semakin kompleks karena objek cacat biji kopi umumnya berukuran kecil dan memiliki karakteristik visual yang mirip antar kelas. Penelitian ini mengusulkan penerapan Object Based Augmentation berbasis Segment Anything Model (SAM), BIB Copy-Paste, dan Poisson Blending untuk meningkatkan kualitas dataset sekaligus performa deteksi model YOLOv8. Proses augmentasi diawali dengan segmentasi objek cacat menggunakan SAM untuk memperoleh mask objek secara presisi. Objek hasil segmentasi kemudian ditempatkan pada citra latar menggunakan metode BIB Copy-Paste dan disempurnakan melalui Poisson Blending guna menghasilkan citra augmentasi yang lebih realistis. Dataset hasil augmentasi digunakan untuk melatih model dan dibandingkan dengan model yang dilatih menggunakan dataset tanpa Object Based Augmentation. Evaluasi dilakukan menggunakan metrik Precision, Recall, mAP@50, mAP@50–95, serta Confusion Matrix. Hasil penelitian menunjukkan bahwa metode yang diusulkan mampu meningkatkan representasi kelas minoritas sehingga distribusi data menjadi lebih baik dibandingkan sebelum augmentasi. Selain itu, model yang dilatih menggunakan dataset hasil augmentasi menunjukkan peningkatan performa yang ditandai dengan kenaikan nilai Recall, mAP@50, dan mAP@50–95, serta peningkatan jumlah objek yang berhasil terdeteksi pada citra uji. Dengan demikian, penerapan Object Based Augmentation berbasis SAM dan Poisson Blending terbukti efektif dalam meningkatkan kualitas dataset serta performa deteksi cacat biji kopi.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,910
Tahun 2026 · Penulis: Elena Siti Aisya
Selective Object-Based Augmentation Untuk Penanganan Kelas Minor Pada Deteksi Multi-Kelas Cacat Biji Kopi
Deteksi multi-kelas cacat biji kopi menghadapi permasalahan class imbalance, yaitu ketidakseimbangan jumlah data antar kelas yang menyebabkan model cenderung lebih baik mengenali kelas mayor dibandingkan kelas minor. Penelitian ini bertujuan mengembangkan Sele
- Cosine 0,861
Tahun 2026 · Penulis: Kharisma Kurnia Wulandari
Hybrid Particle Swarm Optimization dan Multi-Layer Perceptron dalam Klasifikasi Biner
Perkembangan pembelajaran mesin telah mendorong penggunaan metode klasifikasi yang mampu menghasilkan prediksi akurat pada pola data yang kompleks. Multi-Layer Perceptron (MLP) adalah salah satu model yang digunakan secara luas karena kemampuannya untuk memper
- Cosine 0,842
Tahun - · Penulis: Arini Dina Yushofa
Penerapan Metode Klasifikasi ADASYN-SVM pada Imbalanced Data (Studi Kasus : Personal Loan Default)
Studi ini bertujuan mengetahui performa metode klasifikasi ADASYNSVM dalam mengklasifikasikan data dengan distribusi kelas tidak seimbang (imbalanced data) pada kasus personal loan default (gagal bayar pinjaman tanpa agunan). Penelitian ini menggunakan data pe