Electronic Theses and Dissertation

Proses penyortiran biji lada berkualitas merupakan tahap krusial dalam menjaga mutu hasil pertanian, khususnya untuk mendukung kualitas ekspor Indonesia sebagai salah satu produsen lada terbesar di dunia. Namun, proses deteksi kecacatan biji lada secara otomatis menghadapi tantangan seperti kontras citra yang rendah dan pencahayaan yang tidak merata, yang dapat menurunkan akurasi deteksi. Untuk mengatasi masalah ini, penelitian ini bertujuan untuk mengembangkan model deteksi kecacatan biji lada menggunakan algoritma YOLOv8 yang diintegrasikan dengan perangkat Edge AI NVIDIA Jetson Orin Nano. Metode yang digunakan melibatkan teknik pra-pemrosesan citra Contrast Limited Adaptive Histogram Equalization (CLAHE) guna meningkatkan kontras gambar dan akurasi deteksi dalam berbagai kondisi pencahayaan. Dataset terdiri dari citra biji lada yang diklasifikasikan ke dalam dua kelas: normal dan rusak. Model YOLOv8 yang berbasis Convolutional Neural Network (CNN) diterapkan untuk mendeteksi kecacatan secara real-time dengan latensi rendah. Jetson Orin Nano dipilih karena kemampuannya memproses data secara lokal tanpa bergantung pada layanan cloud, sehingga meningkatkan efisiensi dan mobilitas sistem. Visualisasi proses deteksi dilakukan menggunakan framework Streamlit untuk memfasilitasi interaksi pengguna secara langsung. Hasil evaluasi menunjukkan peningkatan kinerja model setelah penerapan CLAHE, dengan akurasi, presisi, recall, spesifisitas, dan skor F1 mencapai 99%, serta nilai mean Average Precision (mAP50–95) sebesar 82%. Selain itu, nilai Intersection over Union (IoU) yang melebihi 90% menunjukkan tingkat akurasi deteksi yang tinggi. Temuan ini menunjukkan potensi pemanfaatan teknologi AI dalam pengendalian kualitas hasil pertanian secara efektif dan efisien. Untuk vidio demonstrasi dari sistem ini tersedia di: https://youtu.be/m5_mjJ0tKMs

Kata Kunci: Biji lada, YOLOv8, NVIDIA Jetson Orin Nano, CLAHE, Deteksi Kecacatan.

The sorting process of high-quality white pepper seeds is a crucial stage in maintaining the quality of agricultural products, particularly to support Indonesia’s export standards as one of the world’s largest pepper producers. However, automatic defect detection in pepper seeds faces challenges such as low image contrast and uneven lighting, which can reduce detection accuracy. To address these issues, this study aims to develop a defect detection model for white pepper seeds using the YOLOv8 algorithm integrated with the Edge AI device NVIDIA Jetson Orin Nano. The proposed method involves the application of the Contrast Limited Adaptive Histogram Equalization (CLAHE) technique as an image pre-processing step to enhance contrast and improve detection accuracy under varying lighting conditions. The dataset consists of images of pepper seeds categorized into two classes: normal and defective. The YOLOv8 model, based on a Convolutional Neural Network (CNN) architecture, is employed to perform real-time defect detection with low latency. The Jetson Orin Nano was chosen for its ability to process data locally without reliance on cloud services, thereby increasing system efficiency and mobility. The detection process is visualized through a Streamlit-based framework to facilitate direct user interaction. Evaluation results show that the application of CLAHE significantly improved model performance, with accuracy, precision, recall, specificity, and F1-score reaching 99%, and a mean Average Precision (mAP50–95) of 82%. Moreover, an Intersection over Union (IoU) score exceeding 90% indicates a high level of detection accuracy. These findings demonstrate the potential of leveraging AI technology for effective and efficient quality control in agricultural products. A demonstration video of the system is available at: https://youtu.be/m5_mjJ0tKMs Keywords: Pepper seeds, YOLOv8, NVIDIA Jetson Orin Nano, CLAHE, Defect Detection.