Penerapan Arsitektur U-Net pada Segmentasi Cacat Biji Kopi untuk Optimalisasi Inspeksi Kualitas

Abstrak

Identifikasi cacat pada biji kopi secara visual–manual masih rentan terhadap subjektivitas dan inkonsistensi penilaian, sehingga diperlukan pendekatan yang lebih akurat dan efisien. Penelitian ini mengusulkan metode segmentasi citra biji kopi berbasis deep learning menggunakan arsitektur U-Net untuk mendeteksi keberadaan cacat pada biji kopi secara umum menggunakan pendekatan binary segmentation. Dataset yang digunakan terdiri dari 300 citra biji kopi yang terbagi secara seimbang menjadi 150 citra kelas black coffee dan 150 citra kelas insect damage. Proses anotasi dilakukan menggunakan metode pseudo-labeling semi-otomatis berbasis Gaussian filtering, absolute difference, dan thresholding untuk menghasilkan ground truth dalam format binary mask. Data latih diperkaya melalui augmentasi berupa horizontal flip, vertical flip, rotasi, serta penyesuaian brightness dan contrast. Model dilatih menggunakan fungsi loss gabungan Dice Loss dan Binary Cross-Entropy dengan optimizer Adam selama 15 epoch dan mekanisme early stopping. Hasil evaluasi menunjukkan performa yang sangat baik dengan nilai Mean IoU sebesar 0,9240, Precision sebesar 0,9707, Recall sebesar 0,9495, dan F1 Score sebesar 0,9600, dengan tingkat prediksi benar mencapai 97,45% berdasarkan analisis confusion matrix berbasis piksel. Hasil tersebut menunjukkan bahwa arsitektur U-Net mampu melakukan segmentasi area defect biji kopi secara akurat dan konsisten, sehingga berpotensi digunakan sebagai dasar pengembangan sistem inspeksi kualitas kopi secara otomatis.