Perpustakaan Digital ITB

Kopi adalah salah satu komoditi utama Indonesia yang mempengaruhi devisa negara. Kualitas biji kopi mempengaruhi rasa dan harga, dengan standar mutu mengacu pada SNI 01-2907-2008. Saat ini, proses penjaminan mutu kopi masih manual, menggunakan klasifikasi visual organoleptik oleh manusia, yang memerlukan waktu lama. Untuk mengatasi kerumitan ini, sistem otomasi berbasis computer vision diperlukan. Computer vision memanfaatkan informasi visual untuk pengambilan keputusan dan memerlukan machine learning untuk mengenali pola visual. Deep learning, terutama Convolutional Neural Networks (CNN), efektif dalam ekstraksi fitur citra dan dapat mencapai akurasi klasifikasi biji kopi di atas 80%. Prosedur pelatihan melibatkan data latih yang diatur oleh penilai tersertifikasi, dengan pencahayaan yang merata untuk menghindari bayangan. Data latih diambil dalam wadah besar berisi 1053 biji kopi. Teknik segmentasi otomatis menghasilkan citra tunggal biji kopi yang kemudian dibersihkan dari fitur tumpang tindih. Citra tunggal tersebut memiliki resolusi dibawah standar yang dibutuhkan oleh state of the art (SOTA) deep learning sehingga diperlukan peningkatan resolusi dengan super-resolusi. Super-resolusi berbasis CNN meningkatkan resolusi citra untuk memperkaya fitur sehingga dapat meningkatkan kemampuan dari SOTA deep learning hasil dari pelatihan. Peningkatan ini dapat dilihat dari generalisasi dan akurasi model. Pelatihan menggunakan empat model deep learning terkini dengan tujuh ruang warna (RGB, HSV, CIE LAB, XYZ, YCrCb, HLS, LUV) untuk memahami fitur cacat biji kopi lebih baik. Hasil pelatihan dikombinasikan dengan teknik soft-voting dari ensemble learning, menghasilkan model yang akurat dan tangguh. Evaluasi model menggunakan confusion matrix menunjukkan akurasi 100% untuk citra super-resolusi dengan metode FSRCNN (Fast Super-Resolution Convolutional Neural Network). Metode ini mengatasi masalah ill-posed dalam metode resize interpolation, menggunakan lapisan konvolusi untuk ekstraksi fitur dan lapisan dekonvolusi untuk perbesaran resolusi. Model tetap akurat pada rentang 99%-100% meskipun skema data latih diturunkan hingga 30%, menunjukkan generalisasi yang baik. Kata kunci: FSRCNN, soft-voting, SOTA deep learning, ruang warna, segmentasi