Klasifikasi pada citra biji Kopi Arabica hasil Roasting menggunakan metode Convolutional Neural Network (CNN) Resnet50V2

ABSTRAK

Penentuan tingkat roasting biji kopi Arabika selama ini masih dilakukan melalui pengamatan visual manusia yang bersifat subjektif, sehingga berpotensi menimbulkan ketidakkonsistenan dalam kontrol mutu. Penelitian ini bertujuan mengembangkan model klasifikasi otomatis tingkat roasting biji kopi Arabika menggunakan metode Convolutional Neural network (CNN) berbasis arsitektur ResNet50V2 dengan pendekatan transfer learning . Dataset yang digunakan berjumlah 1.600 citra dengan empat kelas roasting, yaitu green, light, medium, dan dark. Tiga skenario pelatihan diterapkan untuk menganalisis pengaruh proporsi data dan jumlah epoch, yakni 60:40 dengan 2 epoch, 70:30 dengan 4 epoch, dan 80:20 dengan 6 epoch. Tahap preprocessing meliputi resizing, normalisasi, serta Augmentasi untuk meningkatkan variasi citra latih. Hasil penelitian menunjukkan bahwa skenario 80:20–6 epoch merupakan konfigurasi terbaik dengan akurasi validasi mencapai 96,25% dan Loss yang stabil. Evaluasi menggunakan akurasi, presisi, recall, dan F1-score mengonfirmasi performa model yang konsisten dalam membedakan setiap kelas roasting. Secara keseluruhan, penelitian ini membuktikan bahwa ResNet50V2 efektif untuk klasifikasi roasting dan memiliki potensi diterapkan sebagai sistem pendukung keputusan dalam kontrol mutu industri kopi.

ABSTRACT

The level determination of roasted Arabica coffee beans has traditionally relied on subjective human visual observation, resulting in inconsistencies in quality control. The research aims to develop an automatic roasting level classification system for Arabica coffee beans using the Convolutional Neural Network (CNN) method based on the ResNet50V2 architecture and the transfer learning approach. The dataset comprises 1,600 images with four roasting levels: green, light, medium, and dark. The researcher implemented three training scenarios to analyze the effects of data proportion and the number of epochs: 60:40 with 2 epochs, 70:30 with 4 epochs, and 80:20 with 6 epochs. The preprocessing stage included resizing, normalization, and augmentation to increase the variability of the training images. The findings indicate that the 80:20 configuration with 6 epochs produced the best performance, achieving a validation accuracy of 96.25% with stable loss values. Evaluation using accuracy, precision, recall, and F1-score further confirmed the model’s consistent performance to distinguish each roasting class. Overall, this research demonstrates that ResNet50V2 is effective for roasting classification and has strong potential for application as a decision-support system in coffee industry quality control.

مستخلص البحث

تحديد مستوى تحميص حبوب القهوة أرابيكا حتى الآن يتم من خلال المراقبة البصرية البشرية التي تعتمد على الرأي الشخصي، مما قد يؤدي إلى عدم التناسق في مراقبة الجودة. تهدف هذه الرسالة إلى تطوير نموذج تصنيف تلقائي لمستوى تحميص حبوب القهوة أرابيكا باستخدام طريقة الشبكة العصبية الالتفافية (CNN) القائمة على بنية ResNet50V2 بمدخل التعلم المنتقل (transfer learning ). تم استخدام مجموعة بيانات تتكون من 1600 صورة مقسمة إلى أربع فئات من التحميص، وهي الأخضر والخفيف والمتوسط والغامق. تم تطبيق ثلاثة سيناريوهات للتدريب لتحليل تأثير نسبة البيانات وعدد العصور (epochs)، وهي 60:40 مع 2 عصر، و70:30 مع 4 عصور، و80:20 مع 6 عصور. تشمل مرحلة تجهيز البيانات (preprocessing) تغيير الحجم، والتطبيع، والتوسيع (Augmentation) لزيادة تنوع صور التدريب. أظهرت النتائج أن السيناريو 80:20–6 عصور هو التكوين الأفضل بدقة تحقق 96.25٪ واستقرار في الخسارة (loss). وتم التقييم باستخدام الدقة (accuracy) والضبط (presisi)، واستدعاء المعلومات (recall) ومؤشر ف1 على أداء النموذج المستمر في التمييز بين كل فئة من فئات التحميص. بشكل عام، أثبتت هذه الرسالة أن ResNet50V2 فعال في تصنيف التحميص ولديه القدرة على تطبيقه كنظام دعم اتخاذ القرار في مراقبة جودة صناعة القهوة.