Klasifikasi Dan Deteksi Defect Biji Kopi Menggunakan Yolov8 Dan CBAM

Abstract

Sortasi biji kopi merupakan tahapan krusial dalam penentuan kualitas dan harga jual kopi Arabika sesuai standar Specialty Coffee Association (SCA). Proses sortasi manual yang bersifat subjektif dan rentan kesalahan manusia seringkali menyebabkan inkonsistensi dalam penentuan grade kopi. Penelitian ini bertujuan untuk membangun sistem deteksi otomatis defect biji kopi dan klasifikasi kualitas (Specialty dan Below Specialty) menggunakan algoritma Deep Learning. Metode yang diusulkan adalah YOLOv8n-seg yang dimodifikasi dengan Convolutional Block Attention Module (CBAM) pada bagian backbone untuk meningkatkan kemampuan ekstraksi fitur pada objek kecil (small object detection). Model dilatih menggunakan dataset sebanyak 1000 citra biji kopi Arabika dari PTPN XII Bondowoso yang terdiri dari 16 kelas defect SCA. Hasil pengujian menunjukkan bahwa penambahan modul CBAM efektif meningkatkan akurasi deteksi dibandingkan model baseline. Pada skenario 16 kelas, model modifikasi mencapai mAP50 (mask) sebesar 37,19%, lebih unggul dibandingkan baseline sebesar 30,50%. Sedangkan pada skenario penyederhanaan 7 kelas dominan, akurasi meningkat signifikan dengan mAP50 (mask) mencapai 50,30%. Penelitian ini menyimpulkan bahwa integrasi CBAM pada YOLOv8 mampu memperbaiki deteksi cacat visual pada biji kopi dan membantu proses grading secara lebih objektif.