Selective Object-Based Augmentation Untuk Penanganan Kelas Minor Pada Deteksi Multi-Kelas Cacat Biji Kopi

Abstract

Deteksi multi-kelas cacat biji kopi menghadapi permasalahan class imbalance, yaitu ketidakseimbangan jumlah data antar kelas yang menyebabkan model cenderung lebih baik mengenali kelas mayor dibandingkan kelas minor. Penelitian ini bertujuan mengembangkan Selective Object-Based Augmentation (OBA) untuk meningkatkan representasi kelas minor pada dataset deteksi multi- kelas cacat biji kopi. Metode yang diusulkan mengintegrasikan Segment Anything Model (SAM) untuk mengekstraksi objek cacat, Background Instance-Based Copy- Paste untuk menempatkan objek pada citra latar baru, serta Alpha Blending untuk menghasilkan citra augmentasi yang lebih alami. Dataset yang digunakan terdiri atas 1.161 citra biji kopi Arabika dengan 16 kelas cacat berdasarkan standar Specialty Coffee Association (SCA). Kelas minor ditentukan menggunakan Imbalance Ratio (IR), kemudian dataset hasil augmentasi digunakan untuk melatih model YOLOv8m-seg. Evaluasi dilakukan menggunakan metrik Precision, Recall, mAP50, mAP50-95, Confusion Matrix, dan visualisasi hasil deteksi. Hasil penelitian menunjukkan bahwa metode yang diusulkan berhasil meningkatkan representasi kelas minor dan performa model. Rata-rata nilai mAP50 meningkat dari 0,451 menjadi 0,473, sedangkan rata-rata mAP50-95 meningkat dari 0,356 menjadi 0,372. Peningkatan tersebut terutama terjadi pada kelas cherry pod, floater, foreign material, fungus, dan withered. Dengan demikian, Selective Object-Based Augmentation efektif mengurangi dampak class imbalance serta meningkatkan kualitas dataset dan performa deteksi multi-kelas cacat biji kopi.