Deteksi Kecacatan Biji Kopi Over Roasting dan Lack of Nutrition Setelah Proses Pemanggangan Menggunakan YOLOv8

Abstract

Coffee is one of the most consumed commodities worldwide, including Indonesia. With a lot of consumption, Indonesia is also one of the countries that produce the 4th most coffee in the world. In producing good coffee beans there are good and correct processing processes. One of the processes is sorting coffee beans that have been roasted and removing coffee beans with defects such as roasting too long and lack of nutrients in the coffee beans. The process of sorting coffee beans can be very laborious and time-consuming. The process of sorting coffee beans can be combined with machine learning. Because each defect has a different color, machine learning can be applied to coffee bean images to determine coffee defects. There are 225 images used with each image having defects and non-defects. While the model used is YOLOv8 as object detection which applies a convolutional neural network to extract features in images. The epoch used is 300 and the batch is 16. As a result, the model can identify defective coffee beans and separate them from non-defective coffee beans. Evaluation is applied to validation dataset and produces 54,6% precision, 84,2% recall and 73,6% Mean Average Precision (mAP)

Kopi merupakan salah satu komoditas yang paling banyak di konsumsi di seluruh dunia, termasuk indonesia. Dengan konsumsi yang banyak, indonesia merupakan salah satu negara yang paling banyak memproduksi kopi ke-4 seDunia. Dalam menghasilkan biji kopi yang baik terdapat proses-proses pengolahan yang baik dan benar. Salah satu prosesnya adalah menyortir biji kopi yang sudah dipanggang dan membuang biji kopi yang cacat seperti terlalu lama dipanggang dan kurangnya nutrisi pada biji kopi. Proses sortir biji kopi bisa sangat melelahkan dan menghabiskan waktu yang lama. Proses sortir biji kopi dapat digabungkan dengan machine learning. Karena setiap defect memiliki warna yang berbeda, maka machine learning dapat diterapkan pada gambar biji kopi untuk menentukan cacat pada kopi. Gambar yang dipakai berjumlah 225 dengan setiap gambar memiliki defect dan non-defect. Sedangkan model yang digunakan adalah YOLOv8 sebagai deteksi objek yang menerapkan convolutional neural network untuk mengekstrak fitur dalam gambar. Epoch yang digunakan 300 dan batch bernilai 16. Hasilnya model dapat mengenali biji kopi cacat dan memisahkannya dari biji kopi non-defect. Evaluasi diterapkan pada dataset validasi dan menghasilkan 54,6% precision, 84,2% recall dan 73,6% Mean Average Precision (mAP)