Indonesia, sebagai negara agraris, dengan mayoritas penduduk yang bekerja sebagai petani. Kopi merupakan salah satu komoditas unggulan yang berkontribusi besar terhadap produksi nasional. Pada tahun 2022, produksi biji kopi mencapai 771 ribu ton, meningkat dari tahun sebelumnya. Karakteristik biji kopi sangat mempengaruhi cita rasa, aroma, dan harga jualnya. Namun, proses pengklasifikasian biji kopi di Indonesia masih banyak dilakukan secara manual, yang memerlukan waktu lama dan hasil bervariasi tergantung keterampilan petani. Penelitian ini bertujuan untuk mengklasifikasikan jenis biji kopi menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur model VGG19 dan DenseNet121 untuk meningkatkan akurasi dan efisiensi klasifikasi. Dataset yang digunakan terdiri dari 4510 data sekunder dan 500 data primer yang terdiri dari 4 kelas, yaitu 150 untuk arabika dan robusta, 100 untuk liberika dan excelsa. Hasil eksperimen menunjukkan akurasi yang berbeda percobaan data sekunder dengan VGG19 mencapai 86%, percobaan data sekunder dengan DenseNet121 mencapai 93%; percobaan data primer dengan VGG19 mencapai 98%, dan percobaan data primer dengan DenseNet121 mencapai 92%. Dengan penerapan metode CNN, diharapkan penelitian ini dapat membantu petani dan pengusaha kopi memastikan kualitas produk serta mendorong penerapan teknologi di sektor pertanian Indonesia, meningkatkan produktivitas dan kesejahteraan petani.

Indonesia is an agricultural country, with the majority of the population working as farmers. Coffee is one of the leading commodities that contributes greatly to national production. In 2022, coffee bean production reached 771 thousand tons, an increase from the previous year. The characteristics of coffee beans greatly affect their flavor, aroma, and selling price. However, the process of classifying coffee beans in Indonesia is still mostly done manually, which takes a long time and results vary depending on the farmer's skills. This research aims to classify coffee bean types using the Convolutional Neural Network (CNN) method with VGG19 and DenseNet121 architectures to improve classification accuracy and efficiency. The dataset used consists of 4510 secondary data and 500 primary data consisting of 4 classes, namely 150 for arabica and robusta, 100 for liberica and excelsa. The experimental results show that the accuracy of different secondary data experiments with VGG19 reached 86%, secondary data experiments with DenseNet121 reached 93%; primary data experiments with VGG19 reached 98%, and primary data experiments with DenseNet121 reached 92%. With the application of the CNN method, it is hoped that this research can help coffee farmers and entrepreneurs ensure product quality and encourage the application of technology in the Indonesian agricultural sector, increasing productivity and farmer welfare.