PENENTUAN MUTU GREEN COFFEE BEANS MELALUI IDENTIFIKASI CACAT MENGGUNAKAN MODEL REAL TIME DETECTION TRANSFORMER (RT-DETR)

Abstract

Kualitas mutu green coffee beans telah diatur dalam Standar Nasional Indonesia (SNI). SNI 01-2907-2008 menjadi acuan dalam menilai mutu green coffee beans berdasarkan tingkat cacat. Dalam standar tersebut, green coffee beans diklasifikasikan ke dalam tujuh kelas mutu, di mana setiap kelas memiliki batas minimum dan maksimum nilai cacat. Dengan demikian, green coffee beans yang akan diekspor sudah teridentifikasi mutunya secara tepat. Proses pengidentifikasian yang selama ini cenderung masih berdasarkan penilaian subjektif dan terkadang tidak sesuai dengan standar yang berlaku. Untuk mengatasi permasalahan tersebut, proses penentuan standar kualitas green coffee beans yang akan diekspor perlu diterapkan suatu teknologi seperti pendekatan computer vision agar mempermudah mengidentifikasi kualitas green coffee beans. Dengan menggunakan computer vision proses tersebut dapat dilakukan dengan lebih cepat dan tepat. Salah satu arsitektur computer vision yang dapat dilakukan adalah dengan menggunakan Real- Time Detection Transformer (RT-DETR). RT-DETR adalah detektor objek end-to- end real-time yang memanfaatkan Vision Transformers (ViT) untuk pemrosesan yang efisien fitur multiskala. Hal ini memberikan kinerja waktu nyata dengan tetap menjaga akurasi tinggi. Penelitian ini bertujuan menganalisis dan menerapkan model RT-DETR untuk mengidentifikasi cacat kopi sesuai SNI 01-2907-2008 melalui hyperparameter tuning, serta membangun algoritma klasifikasi mutu kopi Robusta dan mengukur akurasinya. Data penelitian berasal dari perkebunan kopi di Kecamatan Dampit, Kabupaten Malang, Jawa Timur, menggunakan green coffee beans varietas Robusta yang belum disortir dengan 20 jenis cacat sesuai SNI 01- 2907-2008. Penelitian ini melakukan hyperparameter tuning grid search pada model Real- Time Detection Transformer (RT-DETR) dari beberapa kombinasi hyperparameter. Melalui proses tersebut diperoleh konfigurasi terbaik dengan optimizer RAdam, weight decay sebesar 0,001, serta learning rate sebesar 0,01. Kombinasi ini menghasilkan kinerja model yang optimal dengan nilai mAP50 sebesar 0,97639.Dari kombinasi terbaik tadi dilakukan pengujian menggunakan model RT-DETR. menghasilkan Precision sebesar 0,83087, Recall sebesar 0,92626, mAP@0,5 sebesar 0,94329, dan mAP@0,5:0,95 sebesar 0,79387. Pengujian klasifikasi mutu dilakukan pada dua skenario, yaitu menggunakan video recording dan video real-time. Hasil pengujian menunjukkan bahwa akurasi keseluruhan pada skenario video recording mencapai 0,74, yang lebih tinggi dibandingkan dengan akurasi pada pengujian video real-time yang memperoleh nilai 0,65. Penelitian ini berpotensi memudahkan pemrosesan hasil panen kopi dengan pengembangan hardware dan software aplikasi praktis untuk skala industri.