Rancang Bangun Multi-Tray Load Cell Untuk Prediksi Kadar Air Pada Pengering Biji Kopi Berbasis Deep Learning
Tahun 2026 · Penulis: Ferdilla Ayza Melani
Faculty of Engineering, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/12891
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
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 indikator kondisi kelembaban biji kopi berdasarkan data berat. Sistem ini menggunakan empat sensor sel beban yang dipasang pada setiap baki dengan modul HX711 yang telah dikalibrasi menggunakan timbangan standar. Data berat dikirimkan setiap dua menit melalui ESP32 dan diproses pada Raspberry Pi untuk implementasi waktu nyata. Sembilan model dibandingkan menggunakan skema Validasi Silang Deret Waktu yang Memperhitungkan Fase (Phase-Aware Time Series Cross-Validation) dengan optimisasi hiperparameter Optuna. Hasil evaluasi menunjukkan bahwa pada data pengeringan yang stabil, BiLSTM mencapai nilai R² sebesar 0,92, sedangkan LSTM, CNN-LSTM, dan CNN mencapai nilai R² sebesar 0,88. Pada data yang lebih berfluktuasi, kinerja semua model menurun, dengan Random Forest muncul sebagai model terbaik dengan nilai R² sebesar 0,227. Berdasarkan pertimbangan kinerja, kemampuan memodelkan ketergantungan temporal, dan kesesuaian untuk implementasi pada perangkat komputasi tepi, LSTM dipilih untuk pengujian waktu nyata. Hasil pengujian waktu nyata menunjukkan nilai MAE sebesar 6,31, RMSE sebesar 7,16, R² sebesar 0,21, dan CC sebesar 0,88. Hasil ini menunjukkan bahwa model tersebut mampu melacak pola perubahan kelembaban relatif (RH) biji selama proses pengeringan, meskipun masih terdapat penyimpangan prediksi, terutama pada fase akhir pengeringan.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,836
Tahun 2026 · Penulis: Alian Zahid Alaziz
Prediksi Ph Fermentasi Kopi Berbasis Ensemble Learning dan Sistem Iot Pemantauan Suhu
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 pera
- Cosine 0,834
Tahun 2025 · Penulis: Kenneth Jason Tantono
Implementasi Algoritma Long Short Term Memory (LSTM) dan Gated Recurrent Unit (GRU) dalam Memprediksi Curah Hujan dan Temperatur Rata-rata di Kabupaten Banyuwangi
Metode yang digunakan dalam melakukan prediksi adalah machine learning algoritma Long Short Term Memory (LSTM) dan Gated Recurrent Unit (GRU). Hasil penelitian menunjukkan bahwa baik LSTM maupun GRU mampu memprediksi RR dan TAVG dengan baik, dengan GRU cenderu
- Cosine 0,820
Tahun 2026 · Penulis: Fadil Agusta
Implementasi Model Hybrid Random Forest-Support Vector Machine untuk Prediksi Tingkat Kepuasan Pengguna Layanan Multi Lane Free Flow
Perkembangan teknologi transportasi di Indonesia telah menghadirkan sistem Multi-Lane Free Flow (MLFF) sebagai solusi pembayaran tol nirsentuh yang lebih efisien. Namun, keberhasilan penerapan teknologi ini sangat dipengaruhi oleh tingkat penerimaan masyarakat