Penerapan dan Komparasi Model Objek Deteksi (YOLO, FASTER R-CNN, SSD) untuk Deteksi Kualitas Biji Kopi

Wira Manuel Maharaja, Lian (2026) Penerapan dan Komparasi Model Objek Deteksi (YOLO, FASTER R-CNN, SSD) untuk Deteksi Kualitas Biji Kopi. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (481kB)
	PDF BAB_I.pdf Download (272kB)
	PDF BAB_II.pdf Download (630kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (758kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (2MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (228kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (222kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (316kB)
	Archive (ZIP) CREATION_FILE.zip Restricted to Registered users only Download (553MB)
	Archive (ZIP) 00000075938_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Penelitian ini membahas penerapan dan komparasi model objek deteksi berbasis deep learning untuk mendeteksi kualitas biji kopi berdasarkan citra digital. Proses penilaian kualitas biji kopi secara manual memiliki keterbatasan berupa subjektivitas, waktu pemeriksaan yang lama, dan inkonsistensi hasil penilaian. Oleh karena itu, penelitian ini bertujuan mengembangkan sistem otomatis menggunakan metode objek deteksi dengan membandingkan performa tiga model, yaitu YOLOv8, Faster R-CNN ResNet50 FPN, dan SSD300 VGG16. Dataset yang digunakan adalah USK- Coffee Dataset yang terdiri dari 7.999 citra biji kopi dengan empat kelas utama, yaitu premium, peaberry, longberry, dan defect. Dataset dianotasi menggunakan bounding box dan diproses melalui tahapan CRISP-DM yang meliputi data preparation, modeling, evaluation, dan deployment. Evaluasi model dilakukan menggunakan metrik mAP, precision, recall, IoU, dan kecepatan inferensi (FPS). Hasil penelitian menunjukkan bahwa model Faster R-CNN memperoleh performa terbaik dengan nilai mAP sebesar 99,97%, precision sebesar 99,97%, dan recall sebesar 100%, meskipun memiliki kecepatan inferensi paling rendah (1,50 FPS). Sebaliknya, SSD300 VGG16 memiliki kecepatan inferensi tertinggi (90,88 FPS) dengan akurasi yang tetap baik (mAP 98,11%), sedangkan YOLOv8 memperoleh akurasi terendah (mAP 91,57%). Nilai metrik yang sangat tinggi pada dataset terkontrol ini diinterpretasikan sebagai performa batas atas, sehingga diperlukan pengujian lebih lanjut pada kondisi yang lebih beragam. Model dengan akurasi terbaik, yaitu Faster R-CNN, kemudian diimplementasikan pada aplikasi berbasis web menggunakan streamlit untuk mendukung proses deteksi kualitas biji kopi secara otomatis.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Wira Manuel Maharaja, Lian (00000075938)
Contributors:	Ady Sanjaya, Samuel
Keywords:	computer vision, deep learning, deteksi objek, komparasi model, kualitas biji kopi
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware > 004.2 Systems Analysis and Design, Information Architecture, Performance Evaluation
Divisions:	Faculty of Engineering & Informatics > Information System
Date Deposited:	09 Jul 2026 08:02
URI:	https://kc.umn.ac.id/id/eprint/47292

Actions (login required)

View Item