Segmentasi Cacat Biji Kopi Robusta Menggunakan Modifikasi YOLO11-SEG Berbasis MOBILENETV3-SMALL
Tahun 2026 · Penulis: Dimas Juli Pratama
Faculty of Computer Science, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/14940
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
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 untuk menghasilkan model segmentasi instance yang lebih ringan dan sesuai diterapkan pada perangkat seluler. Feature map P3, P4, dan P5 diselaraskan menggunakan adapter konvolusi 1 × 1 yang dikombinasikan dengan Efficient Channel Attention (ECA), sementara SPPF, neck PAN-FPN, dan segmentation head dari YOLO11s-seg tetap dipertahankan. Varian ECA yang diusulkan dibandingkan dengan YOLO11s-seg baseline dan varian C2PSA berdasarkan kualitas segmentasi dan efisiensi komputasi. Dataset utama terdiri atas 2.148 citra biji kopi Robusta yang dianotasi ke dalam 21 kelas objek visual berdasarkan SNI 01-2907:2008. Setelah melalui tahap preprocessing, augmentasi, penggabungan, dan pembagian akhir, dataset berjumlah 7.302 citra yang terdiri atas 5.111 citra pelatihan, 1.460 citra validasi, dan 731 citra pengujian. Pada data pengujian, varian ECA memperoleh precision sebesar 0,9221, recall sebesar 0,8911, dan mask mAP@0.5:0.95 sebesar 0,9089, dibandingkan dengan 0,9099 pada model baseline. ECA mengurangi jumlah parameter dari 10.074.943 menjadi 6.547.747 serta kompleksitas komputasi dari 35,3 menjadi 25,3 GFLOPs. Ukuran model TensorFlow Lite yang dihasilkan adalah 26,42 MB dengan latensi rata-rata sebesar 735,30 ms per citra pada perangkat Infinix Smart 8, atau 29,54% lebih cepat dibandingkan baseline. Varian C2PSA menunjukkan kualitas segmentasi yang lebih rendah dan kompleksitas yang lebih tinggi dibandingkan ECA. Dengan demikian, varian ECA memberikan keseimbangan terbaik antara kualitas segmentasi, ukuran model, dan latensi inferensi di antara model-model yang dievaluasi. Temuan penelitian ini terbatas pada segmentasi cacat visual menggunakan dataset terkontrol dan satu perangkat Android yang digunakan dalam penelitian.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,858
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 0,847
Tahun 2026 · Penulis: Dhiyaul Faruq
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 konsis
- Cosine 0,839
Tahun 2026 · Penulis: Dewana Kretarta Lokeswara
Implementasi Model Vision Transformer dalam Klasifikasi Citra Batik Indonesia
Batik merupakan warisan budaya Indonesia yang memiliki nilai seni tinggi dengan beragam motif dari berbagai daerah. Keberagaman ini sering menyulitkan masyarakat dalam mengenali motif batik tanpa pengetahuan sebelumnya. Penelitian terdahulu menunjukkan bahwa C