SISTEM DETEKSI CACAT FISIK BIJI KOPI BERBASIS WEB MENGGUNAKAN ALGORITMA YOLOv8

QOMARIYAH, FITRI NURUL (2026) SISTEM DETEKSI CACAT FISIK BIJI KOPI BERBASIS WEB MENGGUNAKAN ALGORITMA YOLOv8. Other thesis, UNIVERSITAS NURUL JADID.

Text FITRI NURUL QOMARIYAH_2221400123 (1).pdf Restricted to Registered users only Download (4MB) | Request a copy

Abstract

Industri kopi merupakan sektor agribisnis yang memiliki peran penting dalam
bidang perekonomian, namun proses inspeksi kualitas biji kopi di Indonesia masih
banyak yang dilakukan secara manual sehingga menimbulkan risiko subjektivitas
penilai, inkonsistensi hasil, serta penurunan akurasi akibat kelelahan. Kondisi ini
menyebabkan biji kopi tidak memenuhi Standar Nasional Indonesia (SNI) dan
berujung pada menurunkan daya saing produk di pasar. Penelitian ini bertujuan
merancang dan membangun sistem deteksi cacat fisik biji kopi berbasis web yang
mampu mengidentifikasi, mengklasifikasikan, serta menampilkan hasil deteksi
berupa lokasi dan jumlah cacat secara otomatis dengan menggunakan algortima
YOLOv8. Dataset yang digunakan bersumber dari platform Roboflow sebanyak
3.744 citra yang mencakup lima kategori cacat, yaitu black beans, foreign, fungus
damage, insect damage, dan sour beans. Model YOLOv8s dilatih dengan 100
epoch menggunakan optimizer AdamW, serta pengembangan sistem berbasis web
dengan framework Flask yang mengintegrasikan model ke dalam antarmuka
pengguna. Evaluasi dilakukan menggunakan metrik precision, recall, F1-score,
dan mean Average Precision (mAP), serta pengujian black box untuk memastikan
fungsional sistem. Hasil penelitian menunjukkan bahwa model YOLOv8s
memiliki performa yang baik, dengan nilai rata-rata precision sebesar 96,35%,
recall 97,72%, F1-score 97,02%, dan mAP@0.5 sebesar 98,02% pada data
validasi,waktu inferensi rata-rata 14,2 milidetik per citra. Semua fungsi sistem
terbukti berjalan sesuai kebutuhan berdasarkan pengujian black box. Dengan
demikian, dapat disimpulkan bahwa sistem yang dikembangkan berhasil
mengotomasi proses inspeksi kualitas biji kopi secara lebih cepat, konsisten, dan
mudah diakses dibandingkan metode manual. Untuk penelitian berikutnya,
disarankan penggunaan dataset yang lebih beragam dan seimbang antarkelas,
perbandingan performa dengan algoritma deteksi objek lainnya, serta
penambahan fitur penentuan mutu biji kopi secara menyeluruh.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Biji Kopi, Deteksi Cacat, Yolov8, Deteksi Objek Web.
Subjects:	T Technology > T Technology (General) T Technology > TA Engineering (General). Civil engineering (General)
Divisions:	Fakultas Teknik > S1 Teknik Informatika
Depositing User:	Unnamed user with email fitrn24@gmail.com
Date Deposited:	23 Oct 2026 03:55
Last Modified:	23 Oct 2026 03:55
URI:	https://repository.unuja.ac.id/id/eprint/5535

Actions (login required)

View Item