<![CDATA[Pengolah kopi memerlukan standardisasi kualitas biji yang ketat untuk menjaga nilai jual, namun proses sortir manual saat ini masih bersifat subjektif dan memakan waktu yang lama. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem deteksi cacat biji kopi berbasis visi komputer menggunakan algoritma YOLOv5 pada perangkat Single Board Computer Raspberry Pi 4. Fokus utama penelitian ini adalah mengotomatisasi klasifikasi berbagai jenis cacat biji kopi seperti Withered, Sour, Immature, Black, Rusak, Kutu dan Shell secara mandiri tanpa ketergantungan pada server luar. Metodologi penelitian dimulai dengan pengumpulan dataset gabungan yang berasal dari sumber sekunder (Kaggle) dan pengambilan sampel fisik primer. Model YOLOv5 dilatih dan kemudian dikonversi ke format NCNN untuk mengoptimalkan performa pada Central Processing Unit (CPU) Raspberry Pi. Implementasi perangkat lunak dilakukan menggunakan bahasa pemrograman Python dengan memanfaatkan pustaka OpenCV untuk visualisasi hasil deteksi secara real-time. Hasil pengujian menunjukkan bahwa pengujian akurasi menunjukkan hasil yang bervariasi antar kelas cacat, di mana terdapat tantangan berupa domain gap antara karakteristik visual dataset sekunder dengan sampel fisik lapangan. Namun, secara fungsional, sistem mampu melakukan klasifikasi secara stabil pada kondisi pengambilan gambar statis. Sistem dapat menjalankan program dengan penggunaan sumber daya yang cukup besar pada CPU yaitu sekitar rata-rata 95,5% dan penggunaan memory yang rendah yaitu sekitar 768MB. Waktu komputasi yang dibutuhkan untuk memproses satu bingkai gambar adalah 1068,0 ms atau setara dengan 0,93 Frame Per Second (FPS).]]>
Copyrights © 2026
