Mahasiswa Program Studi Magister Teknik Industri Departemen Teknik Mesin dan Industri (DTMI) UGM, Nanda Aptana Irsyadul Bahy, mempresentasikan hasil penelitiannya dalam seminar hasil yang diselenggarakan pada Selasa (03/03). Penelitian tersebut merupakan bagian dari tesis berjudul “Deteksi Defect dan Penentuan Mutu Biji Kopi Hijau Menggunakan Convolutional Neural Network Versi Small Berdasarkan Standar SNI 01-2907-2008.”
Penelitian ini dilatarbelakangi oleh meningkatnya permintaan kopi di pasar global yang membuka peluang besar bagi negara produsen seperti Indonesia. Sebagai salah satu negara penghasil kopi terbesar di dunia, Indonesia memiliki produksi kopi yang sangat besar, dengan sebagian besar berasal dari perkebunan rakyat. Namun, proses inspeksi dan klasifikasi mutu biji kopi hijau masih banyak dilakukan secara manual, sehingga berpotensi menimbulkan ketidakkonsistenan dalam penilaian kualitas serta menurunkan efisiensi proses pengolahan.
Untuk menjawab tantangan tersebut, Nanda mengembangkan sistem deteksi cacat biji kopi berbasis teknologi computer vision dan deep learning. Sistem ini dirancang untuk mengidentifikasi cacat fisik pada biji kopi hijau serta mengklasifikasikan mutu biji kopi sesuai standar nasional SNI 01-2907-2008. Teknologi yang digunakan dalam penelitian ini adalah Convolutional Neural Network (CNN) dengan algoritma deteksi objek You Only Look Once (YOLO).
Dalam pengembangan model, penelitian ini memanfaatkan pendekatan transfer learning pada beberapa arsitektur model, yaitu YOLOv5s, YOLOv7-Tiny, dan YOLOv8s. Penggunaan model versi small bertujuan untuk mengurangi beban komputasi sekaligus mempercepat waktu inferensi, sehingga sistem dapat digunakan secara lebih efisien pada perangkat dengan sumber daya terbatas.
Tahapan penelitian meliputi proses pelabelan data citra biji kopi, validasi kesesuaian label, data augmentation, penentuan hyperparameter, pengembangan model deteksi, hingga pembuatan aplikasi berbasis web untuk proses deteksi otomatis. Hasil pengujian menunjukkan bahwa model YOLOv8s memberikan performa terbaik dengan nilai mean Average Precision (mAP@50) sebesar 98,10%. Sementara itu, model YOLOv7-Tiny mencapai nilai 97,4% dan YOLOv5s sebesar 90,70%.
Pada tahap implementasi, sistem deteksi yang dikembangkan mampu memprediksi cacat biji kopi dengan nilai Mean Absolute Percentage Error (MAPE) rata-rata sebesar 10,21%, yang menunjukkan tingkat akurasi yang cukup baik. Selain itu, aplikasi web-based yang dikembangkan juga memperoleh tingkat kepuasan pengguna sebesar 81,9% berdasarkan evaluasi tiga orang ahli menggunakan metode USE Questionnaire.
Hasil penelitian ini menunjukkan bahwa teknologi artificial intelligence dapat dimanfaatkan secara efektif untuk meningkatkan efisiensi proses inspeksi dan klasifikasi biji kopi di industri. Dengan sistem deteksi otomatis yang lebih cepat dan konsisten, proses penyortiran mutu kopi dapat dilakukan secara lebih akurat sehingga mendukung peningkatan daya saing kopi Indonesia di pasar global.
Pengembangan teknologi ini juga memberikan kontribusi penting dalam transformasi digital sektor pertanian dan industri pengolahan hasil perkebunan, khususnya dalam meningkatkan kualitas produk, efisiensi proses produksi, serta nilai tambah komoditas kopi nasional.
Kontributor: Maryanti, A.Md.
Penyusun: Gusti Purbo Darpitojati, S.I.Kom.
