Klasifikasi Mutu Biji Kopi Menggunakan Metode CNN-SVM Berdasarkan Cacat Fisik dan Warna
Abstract
The determination of coffee bean quality in Indonesia is generally still done manually based on physical defects and color, which is subjective and time-consuming. This study aims to develop a digital image-based green coffee bean quality classification model using the Convolutional Neural Network and Support Vector Machine (CNN-SVM) method. CNN is used as a feature extractor with a ResNet-50 architecture, while SVM functions as a classifier using a Radial Basis Function (RBF) kernel. The dataset consists of 10 classes of coffee bean defects and is divided into 80% training data and 20% test data. The test results show an accuracy value of 77.68%, precision of 80.04%, recall of 77.15%, and f1-score of 77.47%. This approach proves that the combination of CNN and SVM can improve the accuracy and stability of the model. This finding is a novelty in the development of an efficient and objective artificial intelligence-based automatic coffee quality sorting system.
Keywords: Coffee Bean Classification; CNN-SVM; ResNet-50
Abstrak
Penentuan mutu biji kopi di Indonesia umumnya masih dilakukan secara manual berdasarkan cacat fisik dan warna, yang bersifat subjektif dan memerlukan waktu lama. Penelitian ini bertujuan untuk mengembangkan model klasifikasi mutu biji kopi hijau berbasis citra digital menggunakan metode Convolutional Neural Network dan Support Vector Machine (CNN-SVM). CNN digunakan untuk ekstraksi fitur dengan arsitektur ResNet-50, sedangkan SVM berfungsi untuk klasifikasi menggunakan kernel Radial Basis Function (RBF). Dataset terdiri dari 10 kelas cacat biji kopi dan dibagi menjadi 80% data latih serta 20% data uji. Hasil pengujian menunjukkan nilai akurasi sebesar 77,68%, presisi 80,04%, recall 77,15%, dan f1-score 77,47%. Pendekatan ini membuktikan bahwa kombinasi CNN dan SVM mampu meningkatkan akurasi dan stabilitas model. Temuan ini menjadi kebaruan dalam pengembangan sistem sortasi mutu kopi otomatis yang efisien dan objektif berbasis kecerdasan buatan.
Kata kunci: Klasifikasi Biji Kopi; CNN-SVM; ResNet-50
References
Badan Pusat Statistik, “Ekspor Kopi Menurut Negara Tujuan Utama, 2000-2024,” Badan Pusat Statistik.
M. P. Sirappa, R. Heryanto, and Y. R. Silitonga, “Standardisasi Pengolahan Biji Kopi Berkualitas,” Warta BSIP Perkebunan, 2024.
K. K. Rangga and N. Pardani, “Analisis Proses Pascapanen Kopi di Pusat Pelatihan Pertanian dan Pedesaan Swadaya (P4S) Kopi Gunung Ikamaja Kecamatan Sumberjaya Kabupaten Lampung Barat,” Jurnal Agro Industri Perkebunan, pp. 117–128, Jul. 2024, doi: 10.25181/JAIP.V12I2.3481.
M. D. Darojat, Y. A. Sari, and R. C. Wihandika, “Convolutional Neural Network for Indonesian Special Food Classification,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 5, no. 11, pp. 4764–4769, Oct. 2021, Accessed: Oct. 17, 2025. [Online]. Available: https://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/10096
K. U. Putra, A. Ramadhanu, and S. Arlis, “Identifikasi Varietas Kopi Berdasarkan Analisis Warna dan Tekstur Menggunakan Metode Convolutional Neural Network,” Bulletin of Computer Science Research, vol. 5, no. 5, pp. 1188–1194, Aug. 2025, doi: 10.47065/BULLETINCSR.V5I5.759.
A. Agung Mujiono, E. Yulia Puspaningrum Informatika, U. Pembangunan Nasional, J. Timur Jl Raya Rungkut Madya, and G. Anyar, “Implementasi Model Hybrid CNN-SVM pada Klasifikasi Kondisi Kesegaran Daging Ayam,” Jurnal Mahasiswa Teknik Informatika, vol. 8, no. 1, pp. 756–763, Mar. 2024.
D. Gusmaliza and S. Aminah, “Sistem Identifikasi Kualitas Biji Kopi Robusta berbasis Image Processing dengan Support Vector Machine,” Edumatic: Jurnal Pendidikan Informatika, vol. 8, no. 2, pp. 744–753, Dec. 2024, doi: 10.29408/EDUMATIC.V8I2.28008.
H. Apriani, J. H. Jaman, and R. I. Adam, “SVM optimization using a grid search algorithm to identify robusta coffee bean images based on circularity and eccentricity,” Jurnal Teknologi dan Sistem Komputer, vol. 10, no. 1, pp. 12–19, Jan. 2022, doi: 10.14710/jtsiskom.2021.13807.
T. Pascal Munthe, M. Akbar, F. Teknologi Informasi, and U. Mercu Buana Yogyakarta, “Klasifikasi Citra Biji Kopi Temangung Menggunakan Residual Network (ResNet-50),” Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer), vol. 5, no. 1, pp. 94–102, Jun. 2025, doi: 10.55382/JURNALPUSTAKADATA.V5I1.1028.
N. N. Amanina and G. W. Saraswati, “Classification of Arabica Coffee Green Beans Using Digital Image Processing Using the K-Nearest Neighbor Method,” (JAIS) Journal of Applied Intelligent System, vol. 7, no. 2, pp. 111–119, Sep. 2022, doi: 10.33633/JAIS.V7I2.6449.
I. M. Pakaya, R. Radi, and B. Purwantana, “Classification of Roasting Level of Coffee Beans Using Convolutional Neural Network with MobileNet Architecture for Android Implementation,” Jurnal Teknik Pertanian Lampung (Journal of Agricultural Engineering), vol. 13, no. 3, pp. 924–932, Aug. 2024, doi: 10.23960/JTEP-L.V13I3.924-932.
M. Murinto, M. Rosyda, and M. Melany, “Klasifikasi Jenis Biji Kopi Menggunkan Convolutional Neural Network dan Transfer Learning pada Model VGG16 dan MobileNetV2,” JRST (Jurnal Riset Sains dan Teknologi), vol. 7, no. 2, p. 183, Sep. 2023, doi: 10.30595/JRST.V7I2.16788.
S. Arwatchananukul, D. Xu, P. Charoenkwan, S. Aung Moon, and R. Saengrayap, “Implementing a deep learning model for defect classification in Thai Arabica green coffee beans,” Smart Agricultural Technology, vol. 9, p. 100680, Dec. 2024, doi: 10.1016/J.ATECH.2024.100680.
R. Yohannes and M. E. Al Rifan, “Klasifikasi Jenis Kanker Kulit Menggunakan CNN-SVM,” Algoritme Jurnal Mahasiswa Teknik Informatika, vol. 2, no. 2, pp. 133–144, Apr. 2022, doi: 10.35957/ALGORITME.V2I2.2363.
Y. Yohannes, D. Udjulawa, and F. Febbiola, “Klasifikasi Lukisan Karya Van Gogh Menggunakan Convolutional Neural Network-Support Vector Machine,” Jurnal Teknik Informatika dan Sistem Informasi, vol. 7, no. 1, pp. 2443–2229, Apr. 2021, doi: 10.28932/JUTISI.V7I1.3399.
M. Azhari, Z. Situmorang, and R. Rosnelly, “Perbandingan Akurasi, Recall, dan Presisi Klasifikasi pada Algoritma C4.5, Random Forest, SVM dan Naive Bayes,” Jurnal Media Informatika Budidarma, vol. 5, no. 2, pp. 640–651, Apr. 2021, doi: 10.30865/MIB.V5I2.2937.
A.A. Asyer, & M. A. I. P. I. Pakereng, “Analisis Sentimen Tweet Pengguna Twitter Terkait Diabetes Menggunakan Metode Naive Bayes. Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi, vol. 12, no. 2, pp. 627-636, 2023. doi: http://dx.doi.org/10.35889/jutisi.v12i2.1234
How To Cite This :
Refbacks
- There are currently no refbacks.
