KLASIFIKASI TINGKAT KEMATANGAN BUAH KOPI ARABIKA LAMPUNG UTARA MENGGUNAKAN CONVOLUTION NEURAL NETWORK

Abstract

Provinsi Lampung memegang peranan krusial sebagai produsen kopi terbesar kedua di Indonesia, di mana varietas kopi Arabika menjadi salah satu komoditas bernilai ekonomi tinggi. Namun, penentuan tingkat kematangan buah kopi secara konvensional oleh petani masih mengandalkan pengamatan visual subjektif yang sangat rentan terhadap bias intensitas pencahayaan di lapangan serta faktor kelelahan fisik manusia. Keterbatasan indra penglihatan ini sering kali menyebabkan ketidakkonsistenan pemilihan waktu panen yang berdampak langsung pada penurunan kualitas biji kopi pascapanen. Sebagai solusi objektif, teknologi computer vision berbasis deep learning dieksplorasi dalam penelitian ini untuk menggantikan keterbatasan tersebut. Penelitian ini bertujuan untuk mengembangkan model klasifikasi otomatis tingkat kematangan buah kopi Arabika menggunakan metode Convolutional Neural Network (CNN), sekaligus membandingkan secara komparatif performa akurasi antara dua arsitektur, yaitu VGG16 dan DenseNet201. Dataset primer diperoleh dari 572 citra gugusan buah kopi dari Kabupaten Lampung Utara yang diklasifikasikan ke dalam lima tingkat kematangan, yaitu: mentah, setengah matang, matang, sangat matang, dan busuk. Tahapan prapemrosesan data melibatkan pemotongan citra (cropping) untuk mengisolasi dan memfokuskan objek utama, penyesuaian dimensi resolusi menjadi 224 × 224 piksel dengan format warna RGB, serta konversi citra ke dalam bentuk array numerik yang siap diproses. Guna mengatasi kendala ketidakseimbangan jumlah kelas (class imbalance) yang dapat menurunkan akurasi generalisasi model, diterapkan strategi penyeimbangan data melalui kombinasi undersampling pada kelas mayoritas dan oversampling menggunakan metode Synthetic Minority Over-sampling Technique (SMOTE) pada kelas minoritas. Pendekatan eksperimental ini berhasil menghasilkan dataset akhir yang seimbang secara ideal sebanyak 1.000 citra (200 citra per kelas). Keseluruhan data tersebut kemudian dibagi dengan rasio pembagian 80:10:10, yang dialokasikan menjadi 800 data latih, 100 data validasi, dan 100 data uji. Proses pelatihan model diimplementasikan dengan memanfaatkan teknik pembelajaran transfer learning, untuk mengoptimalkan kapabilitas ekstraksi fitur visual berupa tekstur dan degradasi warna yang kompleks pada permukaan buah kopi. Berdasarkan hasil pengujian akhir pada data uji, arsitektur DenseNet201 menunjukkan performa dengan capaian nilai akurasi, presisi, recall, dan F1 score 0,91. Kinerja tersebut berhasil mengungguli arsitektur VGG16 yang memperoleh skor 0,88 pada seluruh metrik evaluasi yang diuji. Secara keseluruhan, penelitian ini membuktikan bahwa implementasi pembelajaran mendalam melalui CNN. Sistem otomatis ini diharapkan dapat memberikan kontribusi praktis yang signifikan bagi komunitas pertanian dalam mengotomatisasi standardisasi mutu hasil panen, meningkatkan efisiensi waktu kerja petani, serta meminimalisasi risiko kerugian materi akibat kesalahan klasifikasi manual.

Lampung Province plays a crucial role as the second-largest coffee producer in Indonesia, where Arabica coffee is one of the high-value economic commodities. However, the conventional determination of coffee fruit ripeness by farmers still relies on subjective visual observation, which is highly susceptible to variations in field lighting conditions and human physical fatigue. These limitations of human vision often lead to inconsistencies in determining the optimal harvest time, directly affecting the quality of post-harvest coffee beans. As an objective solution, deep learning-based computer vision technology was explored in this study to overcome these limitations. This study aims to develop an automatic classification model for Arabica coffee fruit ripeness using the Convolutional Neural Network (CNN) method while comparatively evaluating the classification performance of two architectures, namely VGG16 and DenseNet201. The primary dataset consisted of 572 images of Arabica coffee fruit clusters collected from North Lampung Regency and classified into five ripeness levels: unripe, semi-ripe, ripe, overripe, and rotten. The data preprocessing stage included image cropping to isolate and focus on the main object, resizing the images to a resolution of 224 × 224 pixels in RGB format, and converting them into numerical arrays suitable for model processing. To address the class imbalance problem that could reduce the model's generalization accuracy, a data balancing strategy was applied by combining undersampling for majority classes and oversampling using the Synthetic Minority Over-sampling Technique (SMOTE) for minority classes. This experimental approach successfully produced a balanced final dataset of 1,000 images (200 images per class). The dataset was then divided using an 80:10:10 ratio into 800 training images, 100 validation images, and 100 testing images. The model training process was implemented using the transfer learning technique to optimize the extraction of complex visual features, including texture and color degradation on the surface of coffee fruits. Based on the final evaluation using the testing dataset, the DenseNet201 architecture achieved an accuracy, precision, recall, and F1-score of 0.91. This performance outperformed the VGG16 architecture, which achieved a score of 0.88 across all evaluation metrics. Overall, this study demonstrates the effectiveness of implementing deep learning through CNN for Arabica coffee fruit ripeness classification. The proposed automated system is expected to provide significant practical contributions to the agricultural community by automating harvest quality standardization, improving farmers' work efficiency, and minimizing the risk of economic losses caused by manual classification errors.