Klasifikasi Cascade Jenis dan Tingkat Sangrai Biji Kopi Berbasis Citra Menggunakan Eefficientnet-B0

Industri kopi merupakan salah satu sektor komoditas global unggulan yang terus mengalami peningkatan konsumsi secara signifikan. Dalam menjaga mutu dan standar nilai jual kopi, penentuan jenis varietas serta tingkat sangrai (roasting level) menjadi faktor yang sangat krusial. Namun, proses pengawasan kualitas secara manual menggunakan indra penglihatan manusia sering kali bersifat subjektif, memakan waktu, dan rentan terhadap kesalahan. Oleh karena itu, pengembangan sistem pengenalan otomatis berbasis citra digital dan deep learning menjadi solusi mendesak untuk menjamin konsistensi kualitas kopi secara presisi. Meskipun demikian, tantangan utama dalam klasifikasi multikelas ini terletak pada tingginya kemiripan fitur visual antar-kelas (inter-class similarity), baik dari segi morfologi fisik varietas maupun gradasi warna hasil sangrai. Pendekatan konvensional Flat Classification sering kali mengalami penurunan performa karena dipaksa memprediksi seluruh 16 kombinasi kelas (4 jenis varietas × 4 tingkat sangrai) secara sekaligus dalam satu kali eksekusi. Penelitian ini mengajukan metode Cascade Classification berbasis arsitektur Deep Learning EfficientNet-B0 untuk memecah kompleksitas tugas klasifikasi menjadi dua tahap sekuensial: tahap pertama mengidentifikasi jenis varietas biji kopi (Arabika, Robusta, Liberika, Ekselsa), dan tahap kedua menentukan tingkat sangrai (Green, Light, Medium, Dark). Prapemrosesan citra diterapkan dengan menggunakan Gaussian Blur untuk reduksi noise, CLAHE untuk penguatan kontras tekstur, serta penyeragaman dimensi citra. Hasil eksperimen menunjukkan bahwa pendekatan Cascade Classification terbukti lebih unggul dibandingkan Flat Classification. Model Cascade Classification berhasil mencapai akurasi global sebesar 94%, mengungguli model Flat Classification yang memperoleh akurasi sebesar 92%. Dekomposisi tugas pada arsitektur Cascade terbukti efektif dalam menekan ambiguitas visual antar-kelas, meminimalkan misklasifikasi pada varietas dengan kemiripan bentuk tinggi, serta memberikan stabilitas dan ketahanan prediktif yang lebih baik dalam mengklasifikasikan jenis dan tingkat sangrai biji kopi secara simultan.