Electronic Theses and Dissertation

Klasifikasi biji kopi hijau berdasarkan jenis cacat sangat penting untuk memastikan kualitas kopi, konsistensi penilaian, dan nilai pasar. di dataran tinggi gayo, indonesia, penyortiran manual masih dominan tetapi rentan terhadap ketidakakuratan dan inefisiensi, terutama di lingkungan dengan sumber daya terbatas. penelitian ini memperkenalkan sistem klasifikasi dan penyortiran cacat otomatis untuk biji kopi hijau arabika gayo menggunakan pendekatan pembelajaran mendalam yang ringan dan real-time. kebaruan penelitian ini terletak pada penetapan tolok ukur spesifik gayo yang berorientasi pada cacat dan melakukan kerangka evaluasi terpadu yang secara bersamaan membahas akurasi, kebingungan kemiripan visual, dan kemampuan penerapan pada perangkat keras tertanam berbiaya rendah. sebuah dataset spesifik domain baru yang terdiri dari 7.000 gambar beresolusi tinggi dikembangkan, dikumpulkan di bawah kondisi pencahayaan dan latar belakang yang seragam untuk mencerminkan pengaturan inspeksi yang konsisten. biji kopi diberi label secara manual ke dalam lima kelas: normal, cacat hitam, cacat pudar, cacat pecah, dan rusak akibat serangga. pra-pemrosesan meliputi pengubahan ukuran gambar, normalisasi, dan augmentasi (rotasi, pembalikan, penyesuaian kecerahan) untuk meningkatkan variabilitas dan ketahanan dataset. berbeda dengan studi biji kopi sebelumnya yang bergantung pada dataset non-lokal atau cakupan cacat yang terbatas, dataset ini menangkap karakteristik morfologis biji arabica gayo dan mendukung klasifikasi cacat multi-kelas yang selaras dengan kebutuhan penilaian praktis. empat model deteksi objek dievaluasi: yolov5, yolov8, yolov8-cbam (dengan modul perhatian blok konvolusional), dan yolov8 mobilenet-cbam. model-model tersebut dilatih pada infrastruktur yang mendukung gpu dengan parameter standar (tingkat pembelajaran: 0,001, ukuran batch: 16, hingga 500 epoch). kinerja model dinilai menggunakan presisi, recall, skor f1, matriks kebingungan, dan kecepatan inferensi. kontribusi utama adalah perbandingan terkontrol pertama secara berdampingan antara yolov5 dan yolov8 untuk klasifikasi cacat biji kopi hijau gayo, diikuti oleh penilaian sistematis tentang apakah perhatian (cbam) mengurangi kesalahan klasifikasi di antara kategori yang secara visual serupa, khususnya biji normal vs. pecah dan biji normal vs. pudar. yolov8-cbam mencapai akurasi klasifikasi tertinggi sebesar 99,73% dan skor f1 yang luar biasa di semua kelas. sementara itu, yolov8-mobilenet-cbam memberikan kecepatan optimal (15 ms/gambar) dengan akurasi yang memadai, menunjukkan adanya pertukaran efisiensi akurasi yang sangat penting untuk penerapan yang berorientasi pada petani kecil dan sumber daya terbatas. untuk menunjukkan kelayakan praktis, model dengan kinerja terbaik diterapkan pada prototipe berbasis raspberry pi 4 yang terintegrasi dengan kamera dan mekanisme servo untuk penyortiran fisik. sistem ini dapat mengklasifikasikan dan menyortir biji kopi hijau secara real-time, menunjukkan operasi yang stabil dalam kondisi lapangan. validasi ujung-ke-ujung ini, mulai dari pembuatan dataset dan benchmarking arsitektur hingga penerapan tertanam dengan aktuasi fisik, membedakan karya ini dari studi yang berhenti pada evaluasi model offline. studi ini menawarkan solusi berbasis ai yang terukur dan berbiaya rendah untuk kontrol kualitas biji kopi hijau, khususnya bermanfaat bagi petani kecil, dan berkontribusi pada pertanian presisi dengan mengintegrasikan deteksi ringan yang ditingkatkan dengan perhatian dengan penyortiran tertanam real-time. pekerjaan selanjutnya mencakup memperluas keragaman kumpulan data, mengoptimalkan integrasi mekanis, dan memperluas penerapannya ke komoditas pertanian lainnya.

The classification of green coffee beans by defect type is critical to ensuring coffee quality, grading consistency, and market value. In the Gayo Highlands of Indonesia, manual sorting remains dominant but is prone to inaccuracies and inefficiencies, especially in low-resource settings. This research introduces an automated defect classification and sorting system for Gayo Arabica green coffee beans using a lightweight, real-time deep learning approach. The novelty of this study lies in establishing a Gayo-specific, defect-oriented benchmark and conducting a unified evaluation framework that jointly addresses accuracy, visual-similarity confusion, and deployability on low-cost embedded hardware. A new domain-specific dataset comprising 7,000 high-resolution images was developed, collected under uniform lighting and background conditions to reflect consistent inspection settings. The beans were manually labeled into five classes: normal, black defect, faded defect, broken defect, and insect-damaged. Preprocessing included image resizing, normalization, and augmentation (rotation, flipping, brightness adjustment) to increase dataset variability and robustness. Unlike prior coffee-bean studies that rely on non-local datasets or limited defect coverage, this dataset captures the morphological characteristics of Gayo Arabica beans and supports multi-class defect classification aligned with practical grading needs. Four object detection models were evaluated: YOLOv5, YOLOv8, YOLOv8-CBAM (with Convolutional Block Attention Module), and YOLOv8 MobileNet-CBAM. The models were trained on GPU-enabled infrastructure with standardized parameters (learning rate: 0.001, batch size: 16, up to 500 epochs). Model performance was assessed using precision, recall, F1-score, confusion matrices, and inference speed. A key contribution is the first controlled, side-by-side comparison of YOLOv5 versus YOLOv8 for Gayo green-bean defect classification, followed by a iii systematic assessment of whether attention (CBAM) reduces misclassification among visually similar categories, particularly normal vs. broken and normal vs. faded beans. YOLOv8-CBAM achieved the highest classification accuracy of 99.73% and exceptional F1-scores across all classes. Meanwhile, YOLOv8-MobileNet-CBAM provided optimal speed (15 ms/image) with sufficient accuracy, demonstrating an explicit accuracy efficiency trade-off that is crucial for smallholder-oriented, low resource deployment. To demonstrate practical viability, the best-performing model was deployed on a Raspberry Pi 4-based prototype integrated with a camera and servo mechanism for physical sorting. The system can classify and sort green coffee beans in real time, demonstrating stable operation under field conditions. This end-to-end validation, from dataset creation and architectural benchmarking to embedded deployment with physical actuation, distinguishes the work from studies that stop at offline model evaluation. This study offers a scalable, low-cost AI-driven solution for green coffee bean quality control, particularly beneficial for smallholder farmers, and contributes to precision agriculture by integrating attention-enhanced lightweight detection with real-time embedded sorting. Future work includes expanding dataset diversity, optimizing mechanical integration, and extending applicability to other agricultural commodities.