<![CDATA[Abstract: Coffee bean classification is a crucial step in ensuring the quality and selling value of coffee products. Manual sorting methods are often inefficient and error-prone, necessitating a technology-based automated approach. This study proposes a combination of the Inception V3 architecture as an image feature extraction method and the random forest algorithm as a classifier to distinguish good and defective coffee beans. The dataset used consists of 986 images, divided into training and test data. The processing was carried out using the Orange Data Mining platform, which includes pre-processing, feature extraction, model training, and performance evaluation. The evaluation results show that the model produces an accuracy of 96.4% on the training data and 96.8% on the test data. In addition, other performance metrics such as AUC (1.000), F1-score (0.967), precision (0.968), recall (0.968), and MCC (0.922) strengthen the model's excellent classification performance. Thus, the combined approach of Inception V3 and random forest is proven effective and has the potential to be implemented in a digital image-based coffee bean classification system. Keywords: Coffee Bean Classification, Random Forest, Inception V3, Feature Extraction, Digital Imagery Abstrak: Klasifikasi biji kopi merupakan langkah penting dalam menjamin mutu dan nilai jual produk kopi. Metode manual dalam penyortiran sering kali tidak efisien dan rentan kesalahan, sehingga dibutuhkan pendekatan otomatis berbasis teknologi. Penelitian ini mengusulkan kombinasi arsitektur Inception V3 sebagai metode ekstraksi fitur citra dan algoritma random forest sebagai klasifikator untuk membedakan biji kopi bagus dan rusak. Dataset yang digunakan terdiri dari 986 gambar, terbagi menjadi data latih dan data uji. Proses pengolahan dilakukan menggunakan platform Orange Data Mining, yang meliputi tahap pra-pemrosesan, ekstraksi fitur, pelatihan model, dan evaluasi kinerja. Hasil evaluasi menunjukkan bahwa model menghasilkan akurasi sebesar 96,4% pada data latih dan 96,8% pada data uji. Selain itu, metrik performa lain seperti AUC (1.000), F1-score (0.967), precision (0.968), recall (0.968), dan MCC (0.922) memperkuat bahwa model ini memiliki kinerja klasifikasi yang sangat baik. Dengan demikian, pendekatan kombinasi Inception V3 dan random forest terbukti efektif dan berpotensi diimplementasikan dalam sistem klasifikasi biji kopi berbasis citra digital. Kata kunci: Klasifikasi Biji Kopi, Random Forest, Inception V3, Ekstraksi Fitur, Citra Digital]]>
