Indonesia memiliki potensi besar dalam industri gaharu (Aquilaria spp.), namun penilaian kualitas yang masih bersifat subjektif dan mahal menjadi kendala utama yang menghambat transparansi pasar, kestabilan harga, serta daya saing di tingkat global. Menanggapi permasalahan tersebut, penelitian ini bertujuan untuk mengembangkan sistem klasifikasi otomatis yang mampu mengevaluasi kualitas dan grade gaharu secara objektif, efisien, dan akurat. Sistem ini dirancang dengan target tingkat akurasi minimal 80% agar dapat menjadi solusi yang andal dalam mendukung proses penilaian produk gaharu secara lebih konsisten dan terstandarisasi.
Penelitian ini menggunakan sekitar 500 citra gaharu dari lima kelas berbeda. Seluruh citra melalui tahap preprocessing dan augmentasi agar sesuai dengan kebutuhan model. Proses pelatihan menggunakan arsitektur EfficientNet dengan bobot pretrained dari ImageNet, disertai penyesuaian hyperparameter seperti learning rate, batch size, dan jumlah epoch. Evaluasi dilakukan menggunakan metrik akurasi dan pengujian kecepatan prediksi untuk memastikan sistem mampu melakukan klasifikasi secara objektif, efisien, dan sesuai target.
Hasil pengujian menunjukkan bahwa sistem berhasil mengklasifikasikan 50 citra gaharu baru dengan akurasi 100%. Setiap citra memiliki confidence score yang berkisar antara 0,8 hingga 0,9 untuk lima kelas yang diuji. Waktu prediksi rata-rata hanya 0,10 detik per gambar, dengan total waktu 5,15 detik untuk satu batch. Sistem ini berhasil mencapai akurasi tinggi dan efisiensi prediksi, serta efektif dalam mengatasi permasalahan subjektivitas dalam penilaian kualitas gaharu dengan cara yang akurat dan cepat.