IMPLEMENTASI MODEL EFFICIENTNET-B5 DENGAN TRANSFER LEARNING UNTUK KLASIFIKASI TINGKAT ROASTING BIJI KOPI BERBASIS CITRA

Abstract

Kopi merupakan komoditas strategis yang berkontribusi besar terhadap perekonomian nasional Indonesia, dengan produksi mencapai 810.000 ton pada tahun 2024. Kualitas produk kopi sangat ditentukan oleh proses roasting yang menghasilkan empat kategori tingkat kematangan dengan karakteristik visual berbeda. Namun, penilaian tingkat roasting secara manual rentan terhadap inkonsistensi akibat ketergantungan pada persepsi visual subjektif operator, sehingga berpotensi menurunkan konsistensi mutu dan daya saing produk kopi di pasar. Penelitian ini bertujuan mengembangkan sistem klasifikasi tingkat roasting biji kopi berbasis citra secara otomatis dan objektif menggunakan arsitektur EfficientNet-B5 dengan pendekatan Transfer Learning. Dataset yang digunakan berjumlah 1.600 citra biji kopi dari Kaggle yang terdistribusi seimbang dalam empat kategori, yaitu Green, Light, Medium, dan Dark, dengan pembagian data 60% latih, 15% validasi, dan 25% uji. Model dikembangkan menggunakan bobot awal ImageNet, pembekuan 150 layer awal, optimizer Adam, serta lapisan klasifikasi tambahan yang terdiri atas GlobalAveragePooling2D, BatchNormalization, Dense, dan Dropout. Hasil evaluasi menunjukkan akurasi pengujian sebesar 98,68% dengan rata-rata Precision, Recall, dan F1-Score sebesar 0,98, mencerminkan kemampuan generalisasi yang tinggi. Eksperimen komparatif membuktikan bahwa Transfer Learning bersifat esensial, karena model tanpa bobot pre-trained mengalami kegagalan konvergensi dengan akurasi hanya 26%. Model juga diintegrasikan ke dalam prototipe aplikasi web berbasis Streamlit untuk inferensi citra secara real-time.