Electronic Theses and Dissertation

Deteksi kecacatan pada biji kopi beras (green coffee beans) merupakan aspek krusial dalam menjamin standar kualitas produk. Namun, metode inspeksi manual yang umum dilakukan saat ini memiliki keterbatasan signifikan, seperti kebutuhan tenaga kerja yang tinggi, sifat penilaian yang subjektif, serta tingkat konsistensi yang rendah, terutama pada skenario objek yang padat dan berjumlah banyak. Penelitian ini menyajikan analisis komparatif dari berbagai arsitektur model deteksi objek untuk mengidentifikasi cacat pada biji kopi dalam citra dengan kondisi objek yang saling tumpang tindih (overlapping). Evaluasi dilakukan terhadap lima varian model, yaitu YOLOv11n, YOLOv11l, YOLOv11x, Faster R-CNN, dan RetinaNet, yang merepresentasikan pendekatan deteksi satu-tahap (one-stage) dan dua-tahap (two-stage). Seluruh model dilatih dan diuji pada kondisi identik menggunakan dataset yang terdiri dari delapan kelas cacat. Untuk mensimulasikan distribusi objek secara realistis dalam kondisi padat, digunakan teknik Mosaic Packed Augmentation. Kinerja model dievaluasi secara komprehensif berdasarkan metrik precision, recall, F1-score, dan mean Average Precision (mAP). Hasil eksperimen menunjukkan bahwa varian model YOLOv11 mengungguli Faster R-CNN dan RetinaNet dalam hal akurasi deteksi, di mana YOLOv11l dan YOLOv11x mencapai performa terbaik dengan nilai F1-score sebesar 80%. Meskipun YOLOv11n menawarkan efisiensi komputasi yang lebih tinggi dengan kecepatan inferensi yang lebih cepat, model tersebut menunjukkan tingkat akurasi yang lebih rendah dibandingkan varian yang lebih besar. Faster R-CNN memberikan hasil yang kompetitif namun memerlukan biaya komputasi yang lebih besar, sedangkan RetinaNet menunjukkan tingkat precision yang lebih rendah akibat peningkatan deteksi positif palsu (false detections). Temuan ini membuktikan bahwa detektor satu-tahap modern lebih efektif untuk tugas deteksi objek padat dan memberikan panduan praktis dalam pemilihan model yang optimal untuk pengembangan sistem inspeksi pertanian otomatis.

Accurate detection of defects in green coffee beans is essential for ensuring product quality, however, manual inspection is labor-intensive, subjective, and inconsistent, particularly in dense multi-object scenarios. This study presents a comparative analysis of object detection models for identifying coffee bean defects in images containing multiple overlapping objects. Five models are evaluated, including YOLOv11n, YOLOv11l, YOLOv11x, Faster R-CNN, and RetinaNet, representing both one-stage and two-stage detection approaches. All models are trained and tested under identical conditions using a dataset of eight defect classes, with dense scenes generated through Mosaic Packed Augmentation to simulate realistic object distributions. Performance is evaluated using precision, recall, F1-score, and mean Average Precision. Experimental results show that the YOLOv11 models outperform Faster R-CNN and RetinaNet in terms of detection accuracy, with YOLOv11l and YOLOv11x achieving the best overall performance with 80% F1-score. While YOLOv11n offers higher computational efficiency, it exhibits lower accuracy compared to larger variants. Faster R-CNN provides competitive results but at higher computational cost, whereas RetinaNet shows lower precision due to increased false detections. These findings demonstrate that modern one-stage detectors are more suitable for dense object detection tasks and provide insights into selecting appropriate models for automated agricultural inspection systems.