PENERAPAN SEGMENT ANYTHING MODEL (SAM) DAN QUANTIZATION PADA YOLOV11-SEG UNTUK DETEKSI KECACATAN BIJI KOPI SECARA REAL-TIME

Deteksi kecacatan biji kopi merupakan proses penting dalam menjaga kualitas hasil produksi, namun metode manual masih memiliki keterbatasan dalam hal waktu, konsistensi, dan objektivitas. Maka dari itu, penelitian ini bertujuan untuk mengembangkan model dengan pendekatan berbasis deep learning yang memanfaatkan YOLOv11-seg sebagai algoritma dalam membuat model deteksi dan segmentasi kecacatan biji kopi. Serta penerapan Segment Anything Model (SAM) untuk mempercepat proses anotasi poligon secara otomatis, dan juga teknik quantization untuk meningkatkan efisiensi model pada perangkat dengan sumber daya terbatas. Penerapan SAM menunjukkan kemampuan dalam mempercepat proses anotasi dengan rata-rata waktu 2,4 detik per gambar, sehingga lebih efisien dibandingkan dengan anotasi manual. Pada tahap pelatihan, konfigurasi parameter poligon terbaik diperoleh pada nilai alpha 0,0002 dengan performa mAP sebesar 0,93 serta nilai Precision, Recall, dan F1-score masing-masing sebesar 0,89, 0,88, dan 0,88 pada data tes. Dari sisi optimasi, penerapan quantization TFLite INT8 mampu menurunkan ukuran model dari 5,77 MB menjadi 3,11 MB serta meningkatkan kecepatan inferensi hingga 1,61 kali pada pengujian satu data, meskipun pada pengujian skala besar terjadi penurunan performa yang tidak terlalu signifikan. Secara keseluruhan, pendekatan yang diusulkan mampu menghasilkan model deteksi kecacatan biji kopi yang cukup akurat sekaligus lebih efisien untuk implementasi pada perangkat low-end. Kata Kunci: Automatic, Computer Vision, Deep Learning, Defective Coffee Beans, YOLO