Identifikasi Defect Kopi Berdasarkan Citra Green Bean Menggunakan MobileNetV4 dan Attention Mechanism pada Arsitektur Yolov8

Abstract

Kopi (Coffea sp.) merupakan salah satu komoditas perkebunan unggulan Indonesia yang berkontribusi besar terhadap perekonomian nasional. Kopi lokal seperti Arabika dikenal secara global dan permintaannya terus meningkat. Kualitas biji kopi, menjadi aspek utama dalam pemilihan produk oleh konsumen. Industri kopi Indonesia menghadapi tantangan dalam memenuhi standar kualitas biji kopi, terutama dalam bentuk biji hijau atau green bean. Identifikasi cacat pada biji kopi secara manual sering kali menjadi kendala. Mengembangkan mesin untuk deteksi cacat membutuhkan waktu dan biaya besar, sedangkan deep learning menawarkan pendekatan lebih efisien dengan akurasi yang tinggi. Penelitian ini mengusulkan algoritma YOLOv8 yang dimodifikasi dengan MobileNetV4 sebagai backbone dan Efficient Multi-Scale Attention (EMA) sebagai attention. Penelitian ini bertujuan mengevaluasi kinerja model dalam mendeteksi cacat pada biji kopi arabika. Metodologi penelitian melibatkan pengumpulan dataset, preprocessing data, perancangan model, training, dan testing. Dataset yang digunakan terdiri dari 700 citra biji kopi dengan dua kelas, biji cokelat dan kopi gelondong. Hasil penelitian menunjukkan bahwa penambahan modul EMA pada arsitektur YOLOv8 memberikan peningkatan performa signifikan pada semua metrik evaluasi. Penggunaan MobileNetV4 sebagai backbone dalam arsitektur YOLOv8 mengurangi parameter, beban komputasi, dan ukuran model hingga 21% lebih kecil dibandingkan dengan model dasar, meskipun dengan sedikit penurunan performa. Peningkatan performa deteksi dan kecepatan inferensi yang didapatkan dari modifikasi arsitektur YOLOv8 memiliki pertukaran dengan lamanya waktu training karena bertambahnya beban komputasi dari model yang semakin kompleks. Kombinasi YOLOv8 dengan backbone CSPDarkNet53 dan EMA pada dataset dengan proporsi 80%:10%:10% menunjukkan hasil kinerja terbaik, dengan precision mencapai 99.6%, recall 99.4%, F1-score 99.4%, mAP@50 99.5%, dan mAP@50.95 sebesar 91.5%. MobileNetV4 dengan EMA merupakan pilihan yang baik untuk model yang lebih kecil dan ringan, memberikan keuntungan dalam fleksibilitas dan penerapan pada berbagai perangkat. Namun, kombinasi CSPDarkNet53 dengan EMA merupakan konfigurasi yang paling optimal berdasarkan hasil evaluasi yang sangat efektif dalam identifikasi cacat pada citra biji kopi Arabika.