<![CDATA[Industri kopi global sangat dipengaruhi oleh peran masyarakat pecinta kopi, yang menciptakan ekosistem dimana kopi tetap menjadi komoditas istimewa. Salah satu aspek penting dalam pengelolaan kopi adalah penentuan grade kopi. Standar penilaian cacat pada biji kopi telah diakui secara nasional sejak tahun 1984 dan diperbarui dengan SNI 01-2907-2008 untuk memastikan kualitas dan konsistensi. Untuk meningkatkan efisiensi dan akurasi proses grading kopi, diperlukan sistem otomatis berbasis deep learning. Penelitian ini membahas penerapan CNN dan Faster R-CNN untuk klasifikasi biji kopi, dengan menggunakan biji kopi arabika, robusta, dan liberica. Algoritma CNN VGG-16 dan Faster R-CNN dibandingkan untuk mengidentifikasi pengaruh Region Proposal Network (RPN) terhadap efisiensi klasifikasi citra. Hasil penelitian menunjukkan bahwa CNN VGG-16 mencapai akurasi 86%, sementara Faster R-CNN mencapai rata-rata akurasi 93%, dengan presisi 93%, recall 92%, dan skor F1 92%. Penelitian ini bertujuan untuk memberikan pemahaman mendalam tentang kedua algoritma dalam konteks klasifikasi biji kopi serta meningkatkan efisiensi proses grading kopi. Industri kopi global sangat dipengaruhi oleh peran masyarakat pecinta kopi, yang menciptakan ekosistem dimana kopi tetap menjadi komoditas istimewa. Salah satu aspek penting dalam pengelolaan kopi adalah penentuan grade kopi. Standar penilaian cacat pada biji kopi telah diakui secara nasional sejak tahun 1984 dan diperbarui dengan SNI 01-2907-2008 untuk memastikan kualitas dan konsistensi. Untuk meningkatkan efisiensi dan akurasi proses grading kopi, diperlukan sistem otomatis berbasis deep learning. Penelitian ini membahas penerapan CNN dan Faster R-CNN untuk klasifikasi biji kopi, dengan menggunakan biji kopi arabika, robusta, dan liberica. Algoritma CNN VGG-16 dan Faster R-CNN dibandingkan untuk mengidentifikasi pengaruh Region Proposal Network (RPN) terhadap efisiensi klasifikasi citra. Hasil penelitian menunjukkan bahwa CNN VGG-16 mencapai akurasi 86%, sementara Faster R-CNN mencapai rata-rata akurasi 93%, dengan presisi 93%, recall 92%, dan skor F1 92%. Penelitian ini bertujuan untuk memberikan pemahaman mendalam tentang kedua algoritma dalam konteks klasifikasi biji kopi serta meningkatkan efisiensi proses grading kopi. ]]>
