SEGMENTASI DAN KLASIFIKASI BIJI KOPI PASCA ROASTING MENGGUNAKAN ARSITEKTUR U-NET DAN RESIDUAL NETWORK (RESNET)

Indonesia sebagai salah satu produsen kopi terbesar di dunia dengan produksi mencapai 794 ribu ton pada tahun 2022, di mana lebih dari 60% merupakan kopi robusta (BPS, 2023), menghadapi tantangan dalam menjaga konsistensi mutu khususnya pada tahap roasting yang sangat menentukan cita rasa, aroma, dan penampilan biji kopi. Penilaian roasting secara tradisional masih bergantung pada observasi visual roaster yang bersifat subjektif, sehingga berpotensi menghasilkan ketidakkonsistenan antar batch. Penelitian ini mengusulkan sistem berbasis citra dengan pendekatan deep learning dua tahap, yaitu segmentasi menggunakan arsitektur U-Net dan klasifikasi dengan ResNet-50. Model segmentasi U-Net mencapai IoU 0,8833 dan Dice Coefficient 0,9375, sedangkan klasifikasi ResNet-50 menghasilkan akurasi 86%, dengan presisi rata-rata 85% dan recall 84%. Sistem terbukti efektif membedakan kategori roasting yang berbeda secara jelas, meskipun masih terdapat kesalahan pada kelas dengan gradasi warna mirip, seperti medium dan medium to dark. Hasil penelitian ini menunjukkan potensi sistem sebagai alternatif objektif dan otomatis dalam evaluasi kualitas roasting kopi, sekaligus menjadi dasar pengembangan sistem kontrol mutu berbasis citra digital yang lebih akurat dan andal di masa mendatang.