Green Bean Coffee Robusta Temanggung merupakan salah satu komoditas unggulan Indonesia, namun proses klasifikasinya masih dilakukan secara manual, sehingga memerlukan waktu lama dan rentan terhadap ketidakkonsistenan. Keragaman datasets diperlukan untuk melatih model klasifikasi. Untuk mengatasi hal tersebut, penelitian ini menerapkan teknik augmentasi data menggunakan Generative Adversarial Network (GAN), yang mampu menghasilkan data sintetik dengan kemiripan tinggi terhadap data asli. Penelitian ini menggunakan dua arsitektur GAN, yaitu Conditional GAN (cGAN) dan StyleGAN2-ADA. Datasets yang digunakan berupa citra biji kopi utuh dan cacat, yang merupakan datasets primer. Datasets diuji melalui empat skenario pelatihan dengan variasi jumlah data, optimizer, dan durasi pelatihan. Evaluasi kualitas gambar dilakukan menggunakan metrik Fréchet Inception Distance (FID). Hasil menunjukkan bahwa StyleGAN2-ADA menghasilkan citra sintetis paling realistis, dengan nilai FID terbaik 49 pada pelatihan biji utuh dan 80 pada biji cacat. Sementara itu, model cGAN juga mampu menghasilkan gambar, namun dengan kualitas yang lebih rendah dan nilai FID yang tidak stabil. Penelitian ini membuktikan bahwa implementasi GAN, khususnya StyleGAN2-ADA, efektif digunakan untuk memperbanyak dan memperkaya datasets citra, terutama dalam kasus keterbatasan data.
Kata kunci: green bean coffee, augmentasi data, GAN, cGAN, StyleGAN2-ADA, FID