Analisis Citra Digital untuk Penghitungan Jumlah dan Deteksi Cacat Biji Kakao Menggunakan Model YOLOv8m-seg pada Raspberry Pi

Proses sortasi dan penentuan mutu biji kakao di Indonesia masih dilakukan secara manual melalui inspeksi visual, sehingga rentan terhadap subjektivitas, kelelahan operator, dan kesalahan penghitungan pada kondisi biji yang saling berhimpit. Penelitian ini mengembangkan sistem analisis citra digital berbasis Raspberry Pi yang mengintegrasikan model YOLOv8m-seg berbasis instance segmentation untuk mendeteksi, mengklasifikasikan, dan menghitung biji kakao secara otomatis sesuai standar SNI 2323:2008. Sistem menggunakan Raspberry Pi Camera Module sebagai akuisisi citra dan Raspberry Pi 4 Model B sebagai unit pemrosesan. Model YOLOv8m-seg menerapkan instance segmentation untuk memisahkan dan mendeteksi setiap biji kakao secara individual meskipun saling berhimpit, kemudian mengklasifikasikannya ke dalam empat kategori: kakao bagus, cacat hitam, cacat fisik, dan biji berjamur. Dataset dikumpulkan secara mandiri sebanyak 405 citra asli yang ditingkatkan menjadi 971 citra melalui augmentasi dengan rasio 87:9:4 untuk pelatihan, validasi, dan pengujian. Model dilatih selama 100 epoch menggunakan optimizer AdamW dengan learning rate 0,001. Evaluasi menggunakan metrik precision, recall, F1-Score, dan mean Average Precision. Hasil pengujian menunjukkan nilai mAP@50 sebesar 0,81 dan F1-Score sebesar 0,79. Pengujian inferensi pada citra dengan 93 objek mencapai Recall sebesar 92,47%. Secara keseluruhan, sistem dinilai efektif sebagai solusi penghitungan dan deteksi cacat biji kakao yang otomatis, cepat, dan lebih objektif dibandingkan inspeksi manual.

Kata Kunci: Analisis Citra Digital, Biji Kakao, Deteksi Cacat, Instance Segmentation, Raspberry Pi, YOLOv8m-seg.