Selective Object-Based Augmentation Untuk Penanganan Kelas Minor Pada Deteksi Multi-Kelas Cacat Biji Kopi
Tahun 2026 · Penulis: Elena Siti Aisya
Faculty of Computer Science, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/12724
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
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 Selective Object-Based Augmentation (OBA) untuk meningkatkan representasi kelas minor pada dataset deteksi multi- kelas cacat biji kopi. Metode yang diusulkan mengintegrasikan Segment Anything Model (SAM) untuk mengekstraksi objek cacat, Background Instance-Based Copy- Paste untuk menempatkan objek pada citra latar baru, serta Alpha Blending untuk menghasilkan citra augmentasi yang lebih alami. Dataset yang digunakan terdiri atas 1.161 citra biji kopi Arabika dengan 16 kelas cacat berdasarkan standar Specialty Coffee Association (SCA). Kelas minor ditentukan menggunakan Imbalance Ratio (IR), kemudian dataset hasil augmentasi digunakan untuk melatih model YOLOv8m-seg. Evaluasi dilakukan menggunakan metrik Precision, Recall, mAP50, mAP50-95, Confusion Matrix, dan visualisasi hasil deteksi. Hasil penelitian menunjukkan bahwa metode yang diusulkan berhasil meningkatkan representasi kelas minor dan performa model. Rata-rata nilai mAP50 meningkat dari 0,451 menjadi 0,473, sedangkan rata-rata mAP50-95 meningkat dari 0,356 menjadi 0,372. Peningkatan tersebut terutama terjadi pada kelas cherry pod, floater, foreign material, fungus, dan withered. Dengan demikian, Selective Object-Based Augmentation efektif mengurangi dampak class imbalance serta meningkatkan kualitas dataset dan performa deteksi multi-kelas cacat biji kopi.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,910
Tahun 2026 · Penulis: Ainun Maya Rohmani
Object Based Augmentation berbasis Segment Anything Model terhadap penanganan Class Imbalance dataset cacat biji kopi
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 semak
- Cosine 0,811
Tahun 2026 · Penulis: Riki Yudi Prayitno Faizal Tanjung
Implementasi Yolov8-seg Berbasis SAHI Untuk Instance Segmentation Cacat Biji Kopi Berdasarkan Standar SCA
Kualitas fisik biji kopi hijau merupakan penentu utama mutu produk pada segmen specialty coffee. Keberadaan cacat fisik berpotensi menurunkan nilai ekonomi komoditas secara signifikan. Penelitian terdahulu berbasis computer vision umumnya menggunakan object de
- Cosine 0,804
Tahun 2026 · Penulis: Daffa Julyanda Mustakim
Klasifikasi Dan Deteksi Defect Biji Kopi Menggunakan Yolov8 Dan CBAM
Sortasi biji kopi merupakan tahapan krusial dalam penentuan kualitas dan harga jual kopi Arabika sesuai standar Specialty Coffee Association (SCA). Proses sortasi manual yang bersifat subjektif dan rentan kesalahan manusia seringkali menyebabkan inkonsistensi