Identifikasi Defect Kopi Berdasarkan Citra Green Bean Menggunakan MobileNetV4 dan Attention Mechanism pada Arsitektur Yolov8
Tahun 2024 · Penulis: Nur Muhammad Himawan
Faculty of Computer Science, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
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 dalam pemilihan produk oleh konsumen. Industri kopi Indonesia menghadapi tantangan dalam memenuhi standar kualitas biji kopi, terutama dalam bentuk biji hijau atau green bean. Identifikasi cacat pada biji kopi secara manual sering kali menjadi kendala. Mengembangkan mesin untuk deteksi cacat membutuhkan waktu dan biaya besar, sedangkan deep learning menawarkan pendekatan lebih efisien dengan akurasi yang tinggi. Penelitian ini mengusulkan algoritma YOLOv8 yang dimodifikasi dengan MobileNetV4 sebagai backbone dan Efficient Multi-Scale Attention (EMA) sebagai attention. Penelitian ini bertujuan mengevaluasi kinerja model dalam mendeteksi cacat pada biji kopi arabika. Metodologi penelitian melibatkan pengumpulan dataset, preprocessing data, perancangan model, training, dan testing. Dataset yang digunakan terdiri dari 700 citra biji kopi dengan dua kelas, biji cokelat dan kopi gelondong. Hasil penelitian menunjukkan bahwa penambahan modul EMA pada arsitektur YOLOv8 memberikan peningkatan performa signifikan pada semua metrik evaluasi. Penggunaan MobileNetV4 sebagai backbone dalam arsitektur YOLOv8 mengurangi parameter, beban komputasi, dan ukuran model hingga 21% lebih kecil dibandingkan dengan model dasar, meskipun dengan sedikit penurunan performa. Peningkatan performa deteksi dan kecepatan inferensi yang didapatkan dari modifikasi arsitektur YOLOv8 memiliki pertukaran dengan lamanya waktu training karena bertambahnya beban komputasi dari model yang semakin kompleks. Kombinasi YOLOv8 dengan backbone CSPDarkNet53 dan EMA pada dataset dengan proporsi 80%:10%:10% menunjukkan hasil kinerja terbaik, dengan precision mencapai 99.6%, recall 99.4%, F1-score 99.4%, mAP@50 99.5%, dan mAP@50.95 sebesar 91.5%. MobileNetV4 dengan EMA merupakan pilihan yang baik untuk model yang lebih kecil dan ringan, memberikan keuntungan dalam fleksibilitas dan penerapan pada berbagai perangkat. Namun, kombinasi CSPDarkNet53 dengan EMA merupakan konfigurasi yang paling optimal berdasarkan hasil evaluasi yang sangat efektif dalam identifikasi cacat pada citra biji kopi Arabika.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,846
Tahun 2026 · Penulis: Diva Auliana
Model Kalibrasi Kemometrik Berbasis Spektrum Ftir Untuk Penentuan Adulterasi Kopi Arabika dengan Kopi Robusta
Kopi merupakan subsektor perkebunan dengan potensi tinggi baik dalam segi penyedia industri, lapangan pekerjaan maupun penunjang perekonomian negara. Jenis kopi yang mendominasi adalah kopi robusta sebesar 71,46% dan kopi arabika sebesar 28,54%. Adulterasi kop
- Cosine 0,840
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
- Cosine 0,839
Tahun 2025 · Penulis: Firliya Nanda Iqtisadi Walmalia
Implementasi E-Nose Untuk Menentukan Level Roasting Biji Kopi Arabika (Coffea arabica L.) Dan Kopi Robusta (Coffea canephora)
Penyangraian merupakan salah satu proses penting dalam menentukan kualitas akhir biji kopi. Penyangraian mempengaruhi karakteristik aroma dan rasa kopi yang dihasilkan. Proses penyangraian diklasifikasikan menjadi tiga tingkat sangrai, yaitu light roast, mediu