| dc.description.abstract | Harga produk kopi dapat bergantung pada kualitas dari biji kopi itu sendiri. Biji kopi yang memiliki banyak jenis cacat biji akan menyebabkan harga jualnya lebih rendah sehingga penggolongan mutu sangat penting untuk dilakukan. Permasalahan yang sering dialami dalam identifikasi jenis cacat biji-bijian secara manual di antaranya prosedur yang sulit, waktu identifikasi yang relatif lama serta kualitas penilaian yang tidak konsisten. Oleh karena itu, dibutuhkan adaptasi teknologi terhadap penilaian mutu salah satunya adalah pendekatan computer vision.
Penelitian sebelumnya terkait adaptasi teknologi computer vision pada permasalahan ini hanya berfokus pada identifikasi jenis cacat pada setiap biji. Parameter-parameter jenis cacat yang digunakan juga tidak ada yang mengacu pada SNI 01-2907-2008. Penelitian ini menggunakan algoritma YOLO Family yang banyak digunakan untuk deteksi objek. YOLO Family hanya melakukan prediksi bounding box dan klasifikasi objek di dalam bounding box sehingga apabila diterapkan pada kasus ini hanya dapat mengidentifikasi jenis cacat pada setiap biji kopi seperti pada penelitian yang telah dilakukan sebelumnya. Berdasarkan hal tersebut, penelitian ini bertujuan untuk membandingkan kinerja model menggunakan algoritma YOLOv8, YOLOv9 dan YOLOv10 untuk mendeteksi jenis cacat green coffee bean. Model yang memberikan kinerja terbaik selanjutnya dimanfaatkan untuk mengembangkan sistem klasifikasi mutu berbasis video.
Penelitian ini menggunakan biji kopi varietas robusta dengan pengolahan pasca panen natural process. Biji kopi tersebut dilakukan sortasi untuk memisahkan 20 kelas jenis cacat. Pengambilan data citra dan video dilakukan menggunakan smartphone untuk menghasilkan dataset gambar yang terdiri dari 20 kelas cacat dengan 30 citra perkelas dan dataset video mencakup 7 kelas kualitas dengan 12 video perkelas. Algoritma YOLO Family dilakukan hyperparameter tuning terlebih dahulu menggunakan metode genetic algorithm dan setelah mendapatkan parameter terbaik maka digunakan untuk proses pelatihan dan validasi untuk setiap YOLO. YOLO yang menghasilkan kinerja terbaik digunakan untuk pengujian algoritma klasifikasi mutu dengan input berupa data video yang didalamnya terdapat kumpulan biji kopi yang telah diklasifikasikan berdasarkan mutunya.
Penelitian ini berhasil melakukan deteksi jenis cacat biji kopi dengan sangat baik menggunakan algoritma YOLO Family. Hasil kinerja terbaik dalam deteksi jenis cacat biji kopi adalah YOLOv9 yang pada data validasi menghasilkan precision dan recall sebesar 0,997; mAP50 sebesar 0,994; dan mAP50-95 sebesar 0,882. Weight YOLOv9 digunakan sebagai input pada algoritma klasifikasi mutu yang menghasilkan akurasi sebesar 0,76, rata-rata precision sebesar 0,80, rata-rata recall dan rata-rata F1-Score sebesar 0,76. Penelitian ini merupakan langkah awal yang berpotensi diterapkan pada pascapanen kopi dengan diperlukan beberapa peningkatan seperti pengembangan hardware dan software aplikasi untuk aplikasi praktis pada industri. | |
