Electronic Theses and Dissertation

Abstrak mangga termasuk salah satu buah unggulan yang sangat disukai masyarakat, memiliki kandungan vitamin yang tinggi, dan memiliki nilai ekonomi yang tinggi, sehingga evaluasi dan identifikasi kualitas buah menjadi perhatian dalam pengolahan pascapanen. kualitas buah mangga dapat ditentukan dari parameter seperti keasaman total dan vitamin c. near infrared spectroscopy (nirs) merupakan teknik analisis yang cepat dan tidak merusak sampel (non-destruktif) yang diterapkan sebagai metode alternatif untuk menentukan parameter kualitas. metode non-linear seperti algoritma machine learning (ml) dengan metode regresi diperlukan untuk meningkatkan analisis data yang lebih akurat. penelitian ini bertujuan untuk membandingkan beberapa teknik ml dalam optimasi model nirs untuk prediksi kandungan keasaman total dan vitamin c buah mangga dengan metode spectral corection multiplicative scatter correction (msc) dan standard normal variate (snv). hasil prediksi kandungan keasaman total yang paling baik ditunjukkan oleh algoritma gbr, dengan nilai msc-gbr (r²: 0.99, r: 0.97, rmsec: 0.00, rpd: 7.06) dan snv-gbr (r²: 0.99, r: 0.99, rmsec: 0.01, rpd: 17.23). algoritma rfr juga memberikan hasil yang cukup baik setelah gbr. hasil prediksi vitamin c, algoritma gbr dan rfr menunjukkan kinerja paling baik dengan nilai msc-gbr (r²: 0.97, r: 0.99, rmsec: 0.00, rpd: 5.82) dan snv-rfr (r²: 0.99, r: 0.99, rmsec: 0.18, rpd: 12.41). sedangkan algoritma svr dan knn-r untuk prediksi keasaman total buah mangga dan vitamin c menghasilkan performa yang kurang baik. penelitian ini telah berhasil menunjukkan bahwa metode nirs yang dikombinasikan dengan teknik ml dapat digunakan untuk memprediksi nilai keasaman total dan vitamin c pada buah mangga dengan akurasi yang cukup tinggi pada model gbr dan rfr. pemilihan metode spectral corection dan algoritma ml yang tepat sangat penting untuk mendapatkan hasil yang optimal. kata kunci: mangga, keasaman total, vitamin c, near infrared spectroscopy (nirs), regresi, svr, rfr, gbr, knn-r

ABSTRACT Mango is one of the most popular fruits, highly favored by the public due to its high vitamin content and significant economic value. As such, evaluating and identifying fruit quality is a critical aspect of post-harvest processing. The quality of mango fruit can be determined by parameters such as total acidity and vitamin C content. Near Infrared Spectroscopy (NIRS) is a rapid and non-destructive analytical technique that serves as an alternative method for assessing quality parameters. Non-linear methods such as Machine Learning (ML) regression algorithms are required to enhance data analysis accuracy. This study aims to compare various ML techniques for optimizing NIRS models to predict total acidity and vitamin C content in mangoes, using spectral correction methods including Multiplicative Scatter Correction (MSC) and Standard Normal Variate (SNV). The best prediction results for total acidity were achieved using the GBR algorithm, with MSC-GBR values (R²: 0.99, r: 0.97, RMSEC: 0.00, RPD: 7.06) and SNV-GBR values (R²: 0.99, r: 0.99, RMSEC: 0.01, RPD: 17.23). The RFR algorithm also provided satisfactory results after GBR. For vitamin C prediction, the GBR and RFR algorithms demonstrated the best performance, with MSC-GBR values (R²: 0.97, r: 0.99, RMSEC: 0.00, RPD: 5.82) and SNV-RFR values (R²: 0.99, R: 0.99, RMSEC: 0.18, RPD: 12.41). On the other hand, the SVR and KNN-R algorithms showed poor performance in predicting total acidity and vitamin C in mangoes. This study successfully demonstrates that NIRS combined with ML techniques can predict total acidity and vitamin C content in mangoes with high accuracy, particularly using GBR and RFR models. The selection of appropriate spectral correction methods and ML algorithms is crucial to achieving optimal results. Keywords: Mango, Total acidity, Vitamin C, Near Infrared Spectroscopy (NIRS), regression, SVR, RFR, GBR, KNN-R