Proses pemanggangan yang tepat sangat penting untuk mencapai aroma dan rasa kopi yang diinginkan. Penilaian visual tradisional sering kali tidak konsisten, sehingga otomatisasi dengan deep learning menjadi solusi yang relevan. Penelitian ini melibatkan pengumpulan data citra biji kopi arabika dengan berbagai tingkat pemanggangan (green, light, Medium, dark) dari platform Kaggle. Data dibagi menjadi empat kelas dan diproses menggunakan dua model CNN, yaitu VGG16 dan InceptionV3, dengan ukuran batch 32 dan iterasi 10, 20, serta early topping pada 30 epoch. Evaluasi model dilakukan menggunakan confusion matrix untuk menghitung akurasi, precision, recall, dan F1 Score. Hasil penelitian menunjukkan bahwa model InceptionV3 dengan early topping pada 30 epoch memberikan akurasi tertinggi sebesar 95%, sedangkan VGG16 mencapai akurasi 92,5% pada epoch ke-20. Model InceptionV3 menunjukkan performa superior dengan nilai precision, recall, dan F1-Score yang lebih tinggi pada rata-rata semua kelas pemanggangan dibandingkan VGG16. Arsitektur InceptionV3 lebih unggul dalam mengklasifikasikan tingkat pemanggangan biji kopi dibandingkan VGG16. Penggunaan CNN dengan arsitektur ini dapat membantu meningkatkan konsistensi dan kualitas produk kopi, serta dapat menjadi dasar untuk penelitian lebih lanjut dalam otomatisasi tingkat pemanggangan biji kopi.

A proper roasting process is essential to achieve the desired aroma and flavor of coffee. Traditional visual assessments are often inconsistent, so automation with deep learning is a relevant solution. This research involved collecting data of arabica Coffee Bean images with various roasting levels (green, light, Medium, dark) from the Kaggle platform. The data was divided into four classes and processed using two CNN models, namely VGG16 and Inception V3, with a batch size of 32 and iterations of 10, 20, and early topping at 30 epochs. Model evaluation was performed using confusion matrix to calculate accuracy, precision, recall, and F1-Score. The results showed that the InceptionV3 model with early topping at 30 epochs gave the highest accuracy of 95%, while VGG16 achieved 92.5% accuracy at the 20th epoch. The InceptionV3 model showed superior performance with higher precision, recall, and F1-Score values on average for all roasting classes compared to VGG16. The InceptionV3 architecture is superior in classifying the roasting level of Coffee Beans compared to VGG16. The use of CNNs with this architecture can help improve the consistency and quality of coffee products, and can serve as a basis for further research in the automation of Coffee Bean roasting level.