Pengembangan Sistem Identifikasi Jenis, Indikasi Geografis, dan Tingkat Sangrai Kopi Berbasis Multi-Channel Spectral Sensor dan Machine Learning

Abstract

Industri kopi saat ini menghadapi tantangan dalam penilaian dan karakterisasi kualitas kopi seiring dengan meningkatnya permintaan kopi berkualitas tinggi (spesialti) dan kejelasan asal usul rantai pasoknya. Dengan demikian, kebutuhan akan teknik penilaian kualitas yang tepat dan andal menjadi semakin penting, tidak hanya menjamin konsistensi dan keunggulan produk kopi, tetapi juga mendukung praktik berkelanjutan dan perdagangan yang adil (tidak ada pengoplosan dan pemalsuan) dengan menyediakan standar objektif untuk mengevaluasi biji kopi mulai dari bahan baku kopi hijau (green bean) hingga kopi sangrai (roasted bean). Hal yang mendesak untuk diselesaikan pada kopi hijau adalah asal usul jenis kopi dan indikasi geografis (IG) yang merupakan faktor yang paling berpengaruh terhadap harga jual dan kualitas awal dari kopi sebelum disangrai. Sementara pada kopi sangrai, tingkat sangrai merupakan faktor penting khususnya untuk menjaga konsistensi citarasa dari kopi yang dihasilkan. Penelitian terdahulu telah banyak mengembangkan teknik dan metode identifikasi untuk jenis, indikasi geografis dan tingkat sangrai kopi. Beberapa diantaranya adalah berbasis teknik kromatografi, spektrometri massa, dan yang cukup dominan adalah spektroskopi (UV-Vis, NIR). Namun demikian, penelitian berbasis spektroskopi masih menggunakan instrumen standar skala laboratorium yang biayanya masih cenderung tinggi dan terbatas dalam penerapannya secara luas khususnya di industri kopi skala kecil dan menengah. Kemajuan teknologi saat ini telah menawarkan sensor cerdas berbasis multispektral yang ukurannya kecil, rentang panjang gelombang yang cukup luas dari visible hingga NIR, dan biaya yang relatif rendah. Sifat akuisisi data dari sensor yang tidak merusak dan cepat, serta dipadukan dengan pemodelan machine learning (ML) yang unggul menjadikannya kandidat potensial untuk pengembangan sistem identifikasi kopi mulai dari jenis, IG dan tingkat sangrainya. Sejauh penelusuran yang telah dilakukan, belum ditemukan penelitian dan publikasi yang mengaplikasikan sensor spektral multi-channel khususnya AS7265X untuk identifikasi jenis, IG dan tingkat sangrai kopi. Berdasarkan latar belakang tersebut, tujuan utama penelitian ini adalah mengembangkan sistem identifikasi jenis, indikasi geografis, dan tingkat sangrai kopi berbasis sensor spektral multi-channel yang dipadukan dengan algoritma ML. Untuk mencapai tujuan tersebut, beberapa tahapan penelitian dilakukan mulai dari (1) merancang sistem akuisi data berbasis sensor spektral multi-channel (410–940 nm) untuk evaluasi biji kopi, (2) mengeksplorasi penggunaan sensor spektral multi-channel yang dipadukan dengan algoritma ML untuk identifikasi jenis dan indikasi geografis kopi hijau, (3) melakukan kajian terhadap perubahan karakteristik fisik dan spektral kopi selama penyangraian dan secara khusus mengkaji kinetika indeks Agtron yang merupakan standar nilai tingkat sangrai terkuantifikasi, (4) mengeksplorasi penggunaan sensor spektral multi-channel yang dipadukan dengan algoritma ML untuk memprediksi nilai Agtron dan menanamkan model terbaiknya ke dalam prototipe. Pada tahap pertama, prototipe perangkat akuisisi data spektral dengan sistem perekaman data berbasis IoT berhasil dirancang dan dibangun berdasarkan kriteria desain. Dimensi keseluruhan perangkat adalah 160 mm × 160 mm × 140 mm dengan berat sekitar 600 g. Perangkat ini dapat menangkap data spektral (reflektansi) dan menyimpannya dalam sistem cloud berbasis Google Sheet. Data yang direkam meliputi tanggal, waktu, dan data original reflektansi dari kombinasi 3 LED (violet, putih, IR) yang ditangkap oleh 18 channel panjang gelombang 410-940 nm. Selain data spektral original, konfigurasi tambahan dilakukan dengan menangkap reflektansi LED violet pada panjang gelombang 560-705 nm (6 channel) dan LED putih pada panjang gelombang 410–535 nm (6 channel). Pendekatan ini memungkinkan penambahan informasi intrinsik yang lebih banyak dari kopi karena sumber cahaya yang berbeda memungkinkan respons nilai spektral yang berbeda pula. Komponen perangkat yang digunakan sistem ini dibangun dengan biaya dasar bahan dan komponen sekitar 2 juta rupiah. Pada tahap kedua, dilakukan studi explorasi penggunaan sensor spektral multi-channel untuk mengidentifikasi jenis dan indikasi geografis kopi hijau. Dua jenis kopi (Arabika dan Robusta) dari empat indikasi geografis (Arabika Flores – AF, Arabika Gayo – AG, Robusta Dampit – RD, dan Robusta Temanggung – RT) digunakan sebagai sampel. Pemodelan dilakukan menggunakan algoritma ML klasifikasi seperti LDA, ANN, RF, dan SVM. Analisis fisikokimia dilakukan pada sampel untuk mengetahui sifat intrinsiknya menggunakan PCA. Hasil menunjukkan bahwa identifikasi jenis kopi mampu mencapai akurasi sempurna 100% menggunakan LDA dengan basis 24 dan 30 data spektral. Untuk identifikasi indikasi geografis, akurasi validasi tertinggi yaitu 0,917 dicapai dengan LDA menggunakan input 24 data spektral. Metode pretreatment data diterapkan dan kinerjanya dievaluasi. Namun, semua metode tersebut tidak memberikan peningkatan kinerja klasifikasi. Pada tahap ketiga, sampel kopi hijau Arabika dan Robusta disangrai pada sembilan waktu yang berbeda (3-11 menit) dan dievaluasi karakteristiknya. Karakteristik yang dianalisis meliputi nilai Agtron, warna (L*, a*, b*, C*, hue), kadar air, massa 10 biji, densitas kamba dan data spektral dari 18 channel panjang gelombang (410-940 nm). Kinetika nilai Agtron sebagai indikator utama penyangraian dimodelkan dan korelasinya terhadap parameter fisik dan spektral dievaluasi. Hasil menunjukkan bahwa Indeks Agtron menurun secara konsisten dengan waktu penyangraian tahap 2 (> 5 menit) untuk kedua jenis kopi, mengikuti kinetika orde nol dan orde pertama (tipe II) dengan nilai R² tinggi dan RMSE rendah. Data gabungan menunjukkan nilai korelasi positif (r) yang tinggi antara Agtron dan L*, b*, dan C* (0,91-0,95), yang menunjukkan bahwa parameter fisik ini dapat berfungsi sebagai alternatif yang andal untuk indeks Agtron. Nilai Agtron menunjukkan korelasi yang sangat tinggi dengan data spektral (r = 0,99) pada panjang gelombang 810 nm, 860 nm, dan 900 nm. Lebih lanjut, pemodelan matematika menggunakan data spektral individual dilakukan untuk menduga nilai Agtron. Model dengan kinerja terbaik adalah menggunakan reflektansi pada 860 nm dengan model polinomial orde kedua (R²cv = 0,985, RMSEcv = 4,671). Pada tahap keempat, studi explorasi penggunaan sensor spektral multi-channel dilakukan untuk memprediksi tingkat sangrai dalam indeks Agtron menggunakan teknik kemometrika dan ML sebagai upaya menghasilkan model prediksi yang berkinerja tinggi. Data spektral dari sampel Arabika dan Robusta pada berbagai tingkat sangrai dikumpulkan dan dimodelkan. Pemodelan tahap satu dilakukan menggunakan teknik kemometrika klasik seperti MLR dan PLSR pada dataset terpisah (Arabika dan Robusta) dan data gabungan, sementara tahap dua dilakukan menggunakan algoritma ML seperti ANN, RF dan SVM dan digabungkan dengan teknik penyetelan hiperparameter dan pemilihan fitur. Semua pendekatan memberikan akurasi prediksi yang tinggi (R²v > 0,983, RMSEV < 4.7, RPD > 7.7), bahkan dengan hanya menggunakan 50% data spektral terpilih. Selain itu, model yang dipilih berhasil diintegrasikan ke dalam perangkat mikrokontroler mandiri dan memberikan hasil yang andal (R2 0,965–0,967 dan RMSE < 3), bahkan pada sampel baru dari jenis kopi yang berbeda (Liberica dan Excelsa).

The coffee industry is currently facing challenges in assessing and characterising coffee quality, in line with the growing demand for high-quality (specialty) coffee and transparency in its supply chain. Consequently, the need for precise and reliable quality assessment techniques has become increasingly important, not only to ensure the consistency and excellence of coffee products but also to promote sustainable practices and fair trade (preventing blending and adulteration) by providing objective standards for evaluating coffee beans, from green beans to roasted beans. A key issue to be addressed in green coffee is the determination of coffee species and geographical indication, which are the most influential factors affecting the selling price and initial quality of coffee before roasting. In roasted coffee, the roasting degree is a crucial factor, particularly for maintaining the consistency of flavour in the final product. Previous studies have extensively developed techniques and methods for identifying coffee species, geographical indication, and roasting degree. Some of these approaches are based on chromatographic techniques and mass spectrometry, while the most widely used are spectroscopic methods (UV-Vis and NIR). However, spectroscopic research still largely relies on standard laboratory-scale instruments, which remain relatively expensive and have limited widespread application, particularly within small and medium-sized coffee industries. Recent technological advances have introduced smart multispectral sensors that are compact, cover a broad wavelength range from the visible region to the NIR, and are relatively low-cost. Their rapid, non-destructive data acquisition, combined with the strong performance of machine learning (ML) modelling, makes them a promising candidate for developing coffee identification systems, including species, geographical indication, and roasting degree. To the best of our knowledge, no studies or publications have yet applied multi-channel spectral sensors, particularly the AS7265X, for identifying coffee species, geographical indication, and roasting degree. Based on this background, the main objective of this research is to develop a coffee identification system for species, geographical indication, and roasting degree using a multi-channel spectral sensor integrated with ML algorithms. To achieve this objective, several stages of research were conducted: (1) designing a multi-channel spectral sensor-based data acquisition system (410–940 nm) for coffee bean evaluation; (2) exploring the use of multi-channel spectral sensors combined with ML algorithms to identify the species and geographical indications of green coffee beans; (3) examining the changes in physical and spectral characteristics of coffee during roasting and specifically analysing the kinetics of the Agtron index, which is the quantified standard for roasting degree; and (4) exploring the use of multi-channel spectral sensors combined with ML algorithms to predict the Agtron index and embedding the best-performing model into a prototype device. In the first stage, a prototype of a spectral data acquisition device with an IoT-based data recording system was successfully designed and constructed according to the design criteria. The overall dimensions of the device are 160 mm × 160 mm × 140 mm, with a weight of approximately 600 g. The device can capture spectral (reflectance) data and store them in a cloud-based system using Google Sheets. The recorded data include the date, time, and original reflectance values obtained from the combination of three LEDs (violet, white, and IR) detected by 18 wavelength channels (410–940 nm). In addition to the original spectral data, an additional configuration was implemented to capture reflectance from the violet LED at wavelengths of 560–705 nm (6 channels) and from the white LED at 410–535 nm (6 channels). This approach enables the acquisition of more intrinsic information from coffee, as different light sources provide different spectral responses. The total material and component cost of the system was approximately two million rupiah. In the second stage, an exploratory study was carried out to investigate the use of the multi-channel spectral sensor for identifying the species and geographical indication of green coffee. Two coffee species (Arabica and Robusta) from four geographical indications (Arabica Flores – AF, Arabica Gayo – AG, Robusta Dampit – RD, and Robusta Temanggung – RT) were used as samples. Modelling was conducted using classification ML algorithms such as LDA, ANN, RF, and SVM. Physicochemical analyses were also performed on the samples to determine their intrinsic properties using PCA. The results showed that coffee species identification achieved perfect accuracy (100%) using LDA with 24 and 30 spectral data inputs. For geographical indication identification, the highest validation accuracy (0.917) was achieved with LDA using 24 spectral data inputs. Data pretreatment methods were also applied and evaluated, but none improved classification performance. In the third stage, Arabica and Robusta green coffee samples were roasted at nine different durations (3–11 minutes) and their characteristics were evaluated. The parameters analysed included the Agtron value, colour attributes (L*, a*, b*, C*, hue), moisture content, mass of 10 beans, bulk density, and spectral data from 18 wavelength channels (410–940 nm). The kinetics of the Agtron value as the main indicator of roasting were modelled, and their correlations with physical and spectral parameters were assessed. The results showed that the Agtron index consistently decreased with roasting time beyond five minutes (stage 2) for both coffee species, following zero-order and first-order (type II) kinetics with high R² values and low RMSE. The combined data revealed strong positive correlations (r) between Agtron and L*, b*, and C* (0.91–0.95), suggesting that these physical parameters can serve as reliable alternatives to the Agtron index. The Agtron value also showed an extremely high correlation (R = 0.99) with spectral data at wavelengths of 810 nm, 860 nm, and 900 nm. Furthermore, mathematical modelling using individual spectral data was performed to estimate the Agtron value, with the best performance obtained using reflectance at 860 nm and a second-order polynomial model (R²cv = 0.985, RMSECV = 4.671). In the fourth stage, an exploratory study on the use of the multi-channel spectral sensor was conducted to predict the roasting degree in terms of the Agtron index using chemometric and ML techniques, aiming to produce a high-performance predictive model. Spectral data from Arabica and Robusta samples at various roasting degrees were collected and modelled. The first-stage modelling was performed using the classical chemometric technique such as MLR and PLSR on separate datasets (Arabica, Robusta, and combined), while the second stage used ML algorithms, such as ANN, RF, and SVM, combined with hyperparameter tuning and feature selection. All approaches achieved high predictive accuracy (R²v > 0.983, RMSEV < 4.7, RPD > 7.7), even with 50% of the selected wavelength. Furthermore, selected model was successfully embedded into a stand-alone microcontroller device and delivered reliable results (R2 0.965–0.967 and RMSE < 3), even on new samples from different coffee types (Liberica and Excelsa).