Optimasi Mask R-CNN Menggunakan SC-Convolution untuk Deteksi Multi-Kelas Cacat Biji Kopi Berdasarkan Standar SCA

Abstract

Proses cupping (uji cita rasa) menurut standar Specialty Coffee Association (SCA) sangat bergantung pada evaluasi visual fisik sebagai tahap awal untuk memastikan kelayakan sampel, namun sering terkendala oleh subjektivitas dan kelelahan evaluator. Penelitian ini bertujuan meningkatkan akurasi penilaian pada tahap cupping tersebut dengan mengoptimasi model Mask R-CNN melalui integrasi modul Improved Self-Calibrated Convolution (SC-Conv) pada FPN dan penggunaan Dilated Convolution pada mask branch. Menggunakan dataset 1.000 citra biji kopi Arabika dari PTPN Kawah Ijen, model ini diuji untuk mendeteksi 16 jenis cacat fisik. Hasil pengujian menunjukkan model modifikasi mencapai mAP50 sebesar 37,35% pada skenario 16 kelas, melampaui performa model baseline serta arsitektur YOLOv8. Pada skenario 12 kelas, performa meningkat signifikan hingga mencapai 46,88%. Selain itu, model ini terbukti lebih sensitif dengan mendeteksi 18.595 objek, jauh lebih tinggi dibandingkan model baseline (12.793 objek). Solusi ini menawarkan metode otomatisasi penilaian mutu kopi yang objektif dan efisien bagi industri kopi.