Pendeteksian Varietas Biji Kopi: Studi Perbandingan pada Dataset USK-COFFEE dengan Model YOLO

Abstrak

Abstrak - Deteksi objek berbasis deep learning telah menjadi teknologi penting dalam otomasi industri, termasuk klasifikasi biji kopi berdasarkan kualitas dan jenisnya. Biji kopi merupakan salah satu komoditas unggulan yang memiliki nilai ekonomi tinggi, khususnya di Indonesia. Proses penyortiran biji kopi yang dilakukan secara manual seringkali tidak efisien dan rentan terhadap kesalahan. Penelitian ini berkontribusi dalam pengembangan teknologi berbasis kecerdasan buatan untuk meningkatkan efisiensi dan akurasi proses penyortiran biji kopi di industri. Metode yang dilakukan adalah membandingkan performa model YOLOv8 dan YOLOv11 dalam mendeteksi biji kopi multiclass menggunakan visualisasi interaktif melalui Streamlit. Model dilatih menggunakan dataset USK-Coffee yang mencakup kelas biji kopi seperti Premium, Peaberry, Longberry, dan Defect. Model YOLOv8 dan YOLOv11 disesuaikan dan dievaluasi dengan menggunakan metrik seperti mean average precision (mAP), confusion matrix seperti precision dan recall. Hasilnya menunjukkan bahwa YOLOv8 unggul dalam akurasi dengan mAP@50 sebesar 88,78%, dibandingkan dengan YOLOv11 dengan mAP@50 sebesar 88,44%. Visualisasi interaktif berbasis streamlit terbukti efektif dalam menampilkan hasil deteksi biji kopi dan memudahkan pengguna dalam menganalisis performa model.