Implementasi Yolov8-seg Berbasis SAHI Untuk Instance Segmentation Cacat Biji Kopi Berdasarkan Standar SCA

Abstract

Kualitas fisik biji kopi hijau merupakan penentu utama mutu produk pada segmen specialty coffee. Keberadaan cacat fisik berpotensi menurunkan nilai ekonomi komoditas secara signifikan. Penelitian terdahulu berbasis computer vision umumnya menggunakan object detection dengan bounding box yang kurang optimal dalam memisahkan objek kecil, padat, dan saling tumpang tindih. Penelitian ini bertujuan mengintegrasikan kerangka kerja Slicing Aided Hyper Inference (SAHI) pada model YOLOv8s-seg untuk melakukan instance segmentation multi-kelas pada 16 jenis cacat fisik biji kopi berdasarkan standarisasi Specialty Coffee Association (SCA). Metode penelitian bersifat kuantitatif-eksperimental menggunakan 1.155 citra sampel seberat 350 gram. Dataset melalui tahap preprocessing berupa image resizing ke 640×640 piksel, anotasi polygon, dan pembagian data (70:20:10). Pelatihan model menggunakan optimizer AdamW selama 60 epoch, dilanjutkan dengan evaluasi metrik COCO serta kalkulasi nilai Total Defect Count (TDC). Hasil penelitian menunjukkan integrasi SAHI berhasil meningkatkan sensitivitas (Recall) global masker secara signifikan menjadi 43,96% dibandingkan model baseline standar yang hanya mencapai 41,41%. Penerapan slicing inference terbukti efektif mengatasi kendala objek mikro pada kelas minoritas, ditunjukkan dengan melonjaknya nilai Recall mask pada kelas withered dari 0,00% menjadi 11,10% serta kelas slight insect dari 12,60% menjadi 37,90%. Meskipun terjadi trade-off latensi komputasi di mana kecepatan inferensi turun dari 54,53 FPS (baseline) menjadi 4,10 FPS (SAHI) akibat proses multi-patch, performa ini masih sangat memadai untuk skenario penilaian laboratorium. Dapat disimpulkan bahwa model YOLOv8s-seg + SAHI berhasil memetakan fitur masker cacat secara transparan dan efektif untuk penentuan klasifikasi mutu biji kopi secara objektif sesuai regulasi SCA.