Penerapan Arsitektur U-Net pada Segmentasi Cacat Biji Kopi untuk Optimalisasi Inspeksi Kualitas

Ami Rahmawati; Ita Yulianti; Ani Oktarini Sari; Siti Nurajizah

doi:10.70340/jirsi.v5i2.365

Penulis

Ami Rahmawati Universitas Nusa Mandiri
Ita Yulianti Universitas Bina Sarana Informatika
Ani Oktarini Sari Universitas Nusa Mandiri
Siti Nurajizah Universitas Bina Sarana Informatika

DOI:

https://doi.org/10.70340/jirsi.v5i2.365

Kata Kunci:

Biji Kopi, Deteksi Cacat, U-Net, Deep Learning, Binary Segmentation

Abstrak

Identifikasi cacat pada biji kopi secara visual–manual masih rentan terhadap subjektivitas dan inkonsistensi penilaian, sehingga diperlukan pendekatan yang lebih akurat dan efisien. Penelitian ini mengusulkan metode segmentasi citra biji kopi berbasis deep learning menggunakan arsitektur U-Net untuk mendeteksi keberadaan cacat pada biji kopi secara umum menggunakan pendekatan binary segmentation. Dataset yang digunakan terdiri dari 300 citra biji kopi yang terbagi secara seimbang menjadi 150 citra kelas black coffee dan 150 citra kelas insect damage. Proses anotasi dilakukan menggunakan metode pseudo-labeling semi-otomatis berbasis Gaussian filtering, absolute difference, dan thresholding untuk menghasilkan ground truth dalam format binary mask. Data latih diperkaya melalui augmentasi berupa horizontal flip, vertical flip, rotasi, serta penyesuaian brightness dan contrast. Model dilatih menggunakan fungsi loss gabungan Dice Loss dan Binary Cross-Entropy dengan optimizer Adam selama 15 epoch dan mekanisme early stopping. Hasil evaluasi menunjukkan performa yang sangat baik dengan nilai Mean IoU sebesar 0,9240, Precision sebesar 0,9707, Recall sebesar 0,9495, dan F1 Score sebesar 0,9600, dengan tingkat prediksi benar mencapai 97,45% berdasarkan analisis confusion matrix berbasis piksel. Hasil tersebut menunjukkan bahwa arsitektur U-Net mampu melakukan segmentasi area defect biji kopi secara akurat dan konsisten, sehingga berpotensi digunakan sebagai dasar pengembangan sistem inspeksi kualitas kopi secara otomatis.

Unduhan

Data unduhan belum tersedia.

Referensi

S. M. Syadham and M. Akbar, “Klasifikasi Citra Biji Kopi Temanggung Menggunakan Gray Level Co-Ocurrence Matrix – Convolutional Neural Network,” JITET (Jurnal Inform. dan Tek. Elektro Ter., vol. 13, no. 3, 2025.

W. R. Hasibuan, I. P. Sari, and M. Basri, “Klasifikasi Kerusakan ( Cacat ) pada Biji Kopi Arabika Menggunakan Algoritma KNN (K-Nearest Neighbor),” Blend Sains J. Tek., vol. 3, no. 4, 2025.

H. Thai, H. Ko, and J. Huh, “Coffee Bean Defects Automatic Classification Realtime Application Adopting Deep Learning,” IEEE Access, vol. 12, no. August, pp. 126503–126517, 2024, doi: 10.1109/ACCESS.2024.3452552.

I. G. P. A. Saputra, P. W. Rahayu, and I. M. D. Ardiada, “Analisis Tingkat Kematangan Sangraian Biji Kopi Menggunakan Ekstraksi Fitur Warna,” J-INTECH (Journal Inf. Technol., no. 204, pp. 123–128, 2024.

G. A. Pratama, E. Y. Puspaningrum, and H. Maulana, “Convolutional Neural Network dan Faster Region Convolutional Neural Network Untuk Klasifikasi Kualitas Biji Kopi Arabika,” JITET (Jurnal Inform. dan Tek. Elektro Ter., vol. 12, no. 3, pp. 2776–2785, 2024.

M. Farhan, A. Fauzi, and H. Khair, “Identifikasi Kualitas Biji Kopi Pada Pengolahan Citra Menggunakan Metode Backpropagation,” Kohesi J. Multidisiplin Saintek, vol. 10, no. 5, pp. 1–12, 2025.

A. A. Hibatullah, A. Asriyanik, and W. Apriandari, “Klasifikasi Kualitas Jenis Kopi Halus Robusta Menggunakan Convolutional Neural Network (CNN) dan Mobilenet-V2,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 5, pp. 8650–8657, 2024.

A. Zandianto, M. Mahrijal, and I. Irwan, “Sistem Sortasi Biji Kopi Otomatis Menggunakan Sensor Warna TCS34725 dan Arduino Mega 2560,” J. Inov. Teknol. Terap., vol. 04, no. 1, 2026.

N. Krisdianto, R. K. Atharizqi, and W. T. Nurhasanaah, “Pengembangan Sistem Pengenalan Objek Multi-Kelas Berbasis Segmentasi Citra dengan YOLOv11 dan Streamlit,” IJINF (International J. Informatics), pp. 1–18, 2025.

S. A. Elvidamayantia and A. Ramadhanu, “Penerapan Algoritma K-Means Clustering dalam Segmentasi Citra Sayuran : Wortel, Kol, dan Terong Berbasis Matlab,” J. Sains Dan Teknol., vol. 5, no. 3, pp. 302–312, 2025.

A. Nurdiansyah and A. Ramadhanu, “Segmentasi Citra Buah Durian Dan Jagung Dengan Algoritma K-Nearest Neighbor Dan Principal Componen Analysis,” J. Inform. Teknol. dan Sains, vol. 7, no. 1, pp. 412–419, 2025.

F. A. Hermawati and V. A. Jaya, “Segmentasi Kepala Janin pada Citra Ultrasound Menggunakan Arsitektur Jaringan U-Net Fetal Head Segmentation in Ultrasound Images Using U-Net Network Architecture,” Komputika J. Sist. Komput., vol. 13, no. 2, pp. 193–199, 2024, doi: 10.5281/zenodo.1322001.

A. Li, D. Li, and A. Wang, “A Two-Stage YOLOv5s–U-Net Framework for Defect Localization and Segmentation in Overhead Transmission Lines,” Sensors (Basel), vol. 25, no. 9, 2025.

M. Adeva, “Arsitektur U-Net MobileNetV2 yang Efisien dan Akurat untuk Segmentasi Buah Multi-Kelas,” in Seminar Nasional Informatika Bela Negara (SANTIKA), 2025, vol. 5, no. 2, pp. 180–183.

P. Kuppusamy, P. Pranavi, R. Jyothsna, B. S. Sahana, and L. Meghana, “A Synergistic Approach of Coffee Leaf Pathology Segmentation with Self-Attentive U-Net,” in 2025 IEEE International Conference on Emerging Technologies and Applications (MPSec ICETA), 2025, pp. 1–6. doi: 10.1109/MPSecICETA64837.2025.11118788.

N. K. Diani, M. W. A. Kesiman, I. M. G. S. Sunarya, and P. Z. E. S. Nugraha, “Perangkat Cerdas Berbasis U-Net untuk Memantau Kerusakan Daun Pakcoy Akibat Serangan Hama,” J. Artif. Intell. Digit. Bus., vol. 5, no. 1, pp. 7097–7109, 2026.