Optimasi YOLOV8 Menggunakan Convnext-V2 dan Eca pada Deteksi Tingkat Kematangan Buah Kopi
Tahun 2025 · Penulis: Siti Khoirun Nisak
Faculty of Computer Science, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Indonesia merupakan negara penghasil kopi terbesar keempat di dunia setelah Brasil, Vietnam, dan Kolombia, dengan produksi mencapai 758,7 ribu ton dan luas areal perkebunan sebesar 1.266,85 ribu hektar (BPS, 2023). Komoditas kopi memiliki peranan penting dalam perekonomian nasional, khususnya di sektor ekspor. Salah satu faktor utama yang memengaruhi kualitas kopi adalah tingkat kematangan buah saat dipanen. Namun, metode panen tradisional yang masih digunakan oleh sebagian besar petani sering kali menghasilkan buah dengan tingkat kematangan yang beragam, yang berdampak pada kualitas rasa kopi. Oleh karena itu, diperlukan sistem yang mampu mendeteksi tingkat kematangan buah kopi secara otomatis dan akurat. Kemajuan teknologi di bidang computer vision dan deep learning memungkinkan pengembangan sistem deteksi objek berbasis citra digital untuk mendeteksi buah kopi berdasarkan kematangannya. Salah satu metode yang populer dan efisien dalam deteksi objek adalah YOLO (You Only Look Once), khususnya versi terbaru YOLOv8 yang memiliki keunggulan dalam kecepatan dan akurasi. Untuk meningkatkan performa YOLOv8, penelitian ini mengimplementasikan backbone ConvNeXt-V2 dan Efficient Channel Attention (ECA) sebagai attention mechanism, dengan tujuan mengoptimalkan ekstraksi fitur dan deteksi objek kecil pada gambar. Hasil penelitian menunjukkan bahwa strategi penggantian backbone dengan ConvNeXt-V2 terbukti sangat efektif, di mana model modifikasi berhasil mencapai akurasi puncak sebesar 82,29%. Hebatnya, peningkatan akurasi ini dicapai bersamaan dengan peningkatan efisiensi yang drastis, model modifikasi mampu mengurangi jumlah parameter hingga hampir setengahnya (dari 11,1 juta menjadi 5,5 juta) dan menurunkan beban komputasi (GFLOPS) sebesar 46,7% dibandingkan model dasar, meskipun memiliki jumlah layer yang lebih banyak. Sebaliknya, penambahan modul ECA tidak memberikan dampak positif yang signifikan. Dengan demikian, dapat disimpulkan bahwa penggantian backbone YOLOv8 dengan ConvNeXt-V2 merupakan strategi efektif dalam meningkatkan akurasi dan efisiensi model deteksi tingkat kematangan buah kopi.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,822
Tahun 2026 · Penulis: I’in Mardhiana
Implementasi Arsitektur Improved YOLOv8 untuk Deteksi Penyakit Buah Kakao Menggunakan Citra Buah Berbasis Website
Sektor perkebunan kakao Indonesia memainkan peranan strategis dalam perdagangan internasional, tetapi stabilitas produksinya terhambat oleh hama dan wabah penyakit. Fluktuasi dalam nilai ekspor biji kakao selama periode 2022-2025 yang secara singkat mencapai 8
- Cosine 0,819
Tahun 2024 · Penulis: Nur Muhammad Himawan
Identifikasi Defect Kopi Berdasarkan Citra Green Bean Menggunakan MobileNetV4 dan Attention Mechanism pada Arsitektur Yolov8
Kopi (Coffea sp.) merupakan salah satu komoditas perkebunan unggulan Indonesia yang berkontribusi besar terhadap perekonomian nasional. Kopi lokal seperti Arabika dikenal secara global dan permintaannya terus meningkat. Kualitas biji kopi, menjadi aspek utama
- Cosine 0,808
Tahun 2026 · Penulis: Helena Pangastuti
Pengembangan Sistem Penghitungan Semangka Berbasis Kecerdasan Buatan Menggunakan Algoritma YOLO
Perhitungan semangka yang akurat memainkan peran penting dalam pertanian presisi, terutama untuk menghasilkan estimasi, perencanaan panen, dan manajemen distribusi pasca-peserta. Dalam kondisi praktis bidang, jumlah semangka sebagian besar masih dilakukan mela