Prediksi Ph Fermentasi Kopi Berbasis Ensemble Learning dan Sistem Iot Pemantauan Suhu
Tahun 2026 · Penulis: Alian Zahid Alaziz
Faculty of Computer Science, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/12624
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Fermentasi kopi merupakan salah satu tahapan penting yang memengaruhi kualitas akhir biji kopi. Salah satu parameter utama yang menentukan keberhasilan fermentasi adalah nilai pH. Namun, pengukuran pH belum dapat dilakukan secara kontinu karena memerlukan peralatan khusus serta proses pengukuran yang kurang praktis untuk diterapkan di lapangan. Penelitian ini bertujuan membangun model prediksi pH fermentasi kopi berbasis Ensemble Learning dengan memanfaatkan data suhu yang diperoleh dari sistem Internet of Things (IoT). Sistem IoT menggunakan mikrokontroler ESP32 dan sensor suhu DS18B20 untuk melakukan pemantauan suhu secara real-time selama proses fermentasi, sedangkan data pH digunakan sebagai variabel target dalam proses pemodelan. Dataset penelitian terdiri atas 1.452 data hasil pengamatan fermentasi kopi yang diperoleh dari PTPN I Regional 5 Kebun Kalisat Jampit. Tahap pra pemrosesan data meliputi penanganan data hilang dan penanganan outlier. Selanjutnya dilakukan pembagian dataset dengan skenario 80:20, 70:30, dan 60:40. Pendekatan Ensemble Learning diterapkan menggunakan dua algoritma, yaitu Random Forest yang menggabungkan banyak decision tree melalui mekanisme bagging dan Extreme Gradient Boosting (XGBoost) yang membangun model secara bertahap melalui mekanisme boosting. Kinerja model dievaluasi menggunakan koefisien determinasi (R²) dan Root Mean Square Error (RMSE) Hasil Penelitian menunjukkan bahwa model Random Forest memberikan performa terbaik pada skenario pembagian dataset 60:40 menggunakan parameter (Ahmed, 2024), dengan nilai R² sebesar 0.9097 dan RMSE sebesar 0.1516. Sementara itu, penggunaan Grid Search berhasil berhasil meningkatkan performa XGBoost hingga mencapai nilai R² sebesar 0.9040 dan RMSE sebesar 0.1563 pada skenario pembagian dataset yang sama.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,836
Tahun 2026 · Penulis: Ferdilla Ayza Melani
Rancang Bangun Multi-Tray Load Cell Untuk Prediksi Kadar Air Pada Pengering Biji Kopi Berbasis Deep Learning
Penelitian ini merancang sistem multi-tray load cell yang terintegrasi dengan pengering biji kopi untuk memantau perubahan berat pada empat tray secara berkelanjutan, serta mengembangkan model deep learning untuk memprediksi Kelembaban Relatif (RH) sebagai ind
- Cosine 0,831
Tahun 2025 · Penulis: Noval Sofyan Ramadhan
Klasifikasi Penyakit Daun Tebu Menggunakan Swin Transformer dan Augmentasi Data RandAugment
Patogen adalah organisme yang dapat merusak tumbuhan, termasuk tanaman tebu. Penyakit akibat patogen dapat dideteksi di laboratorium, tetapi prosesnya memerlukan banyak langkah dan waktu yang cukup lama. Teknologi computer vision mampu mengatasi tantangan ini,
- Cosine 0,830
Tahun 2025 · Penulis: Firliya Nanda Iqtisadi Walmalia
Implementasi E-Nose Untuk Menentukan Level Roasting Biji Kopi Arabika (Coffea arabica L.) Dan Kopi Robusta (Coffea canephora)
Penyangraian merupakan salah satu proses penting dalam menentukan kualitas akhir biji kopi. Penyangraian mempengaruhi karakteristik aroma dan rasa kopi yang dihasilkan. Proses penyangraian diklasifikasikan menjadi tiga tingkat sangrai, yaitu light roast, mediu