Klasifikasi Tingkat Kematangan Roasting Biji Kopi menggunakan Convolutional Neural Network Berbasis Mobilenetv2

Abstract

Proses roasting merupakan tahapan penting dalam pengolahan kopi yang sangat menentukan kualitas rasa dan aroma kopi yang dihasilkan. Tingkat kematangan roasting biji kopi umumnya diklasifikasikan menjadi beberapa kategori, seperti green bean, light roast, medium roast, dan dark roast. Penentuan tingkat kematangan roasting secara konvensional masih banyak bergantung pada pengamatan visual manusia, sehingga bersifat subjektif dan rentan terhadap kesalahan. Oleh karena itu, diperlukan suatu sistem otomatis berbasis teknologi kecerdasan buatan yang mampu mengklasifikasikan tingkat kematangan roasting biji kopi secara akurat dan konsisten. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi tingkat kematangan roasting biji kopi berbasis citra digital menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2. Dataset yang digunakan berupa citra biji kopi berformat PNG yang terbagi ke dalam empat kelas, yaitu green, light, medium, dan dark. Data kemudian melalui tahap pre-processing yang meliputi pengaturan ukuran citra menjadi 224×224 piksel, normalisasi menggunakan fungsi preprocess_input, serta augmentasi data untuk meningkatkan variasi dan ketahanan model terhadap perbedaan kondisi citra. Dataset dibagi ke dalam tiga subset, yaitu data latih sebesar 75%, data validasi sebesar 15%, dan data uji sebesar 10%. Model MobileNetV2 digunakan sebagai base model dengan bobot pra-latih ImageNet dan dikombinasikan dengan beberapa lapisan tambahan seperti Global Average Pooling, Dense, Batch Normalization, dan Dropout. Proses pelatihan dilakukan dalam dua tahap, yaitu tahap transfer learning dengan pembekuan bobot model dasar, serta tahap fine-tuning dengan membuka sebagian lapisan untuk meningkatkan performa model. Evaluasi model dilakukan menggunakan metrik akurasi, loss, precision, recall, dan F1- score, serta dianalisis menggunakan confusion matrix. Hasil pengujian menunjukkan bahwa model yang diusulkan mampu mengklasifikasikan tingkat kematangan roasting biji kopi dengan performa yang baik pada data uji. Nilai akurasi yang diperoleh menunjukkan bahwa arsitektur MobileNetV2 efektif digunakan untuk tugas klasifikasi citra biji kopi dengan kompleksitas komputasi yang relatif rendah. Dengan demikian, sistem ini berpotensi untuk diterapkan sebagai alat bantu dalam proses kontrol kualitas roasting biji kopi secara otomatis dan objektif.