Electronic Theses and Dissertation

Teknologi nirs, dikombinasikan dengan pembelajaran mesin, menawarkan pendekatan yang menjanjikan untuk analisis non-destruktif produk pertanian. penelitian ini fokus pada prediksi kandungan asam klorogenat pada biji kopi arabika menggunakan model nirs dan machine learning. berbagai metode pra-pemrosesan diterapkan untuk meningkatkan akurasi model, termasuk normalisasi puncak, pemulusan savitzky-golay, dan koreksi penyebaran multiplikatif yang diperluas (emsc). hasilnya menunjukkan bahwa model tersebut dapat secara efektif memprediksi kadar asam klorogenat dengan akurasi tinggi, terutama ketika menggunakan pemulusan savitzky-golay sebagai metode pra-pemrosesan. model tersebut mencapai koefisien determinasi (r²) sebesar 0,79 dan rasio prediksi terhadap deviasi (rpd) sebesar 3,38, yang menunjukkan prediksi yang kuat dan andal. temuan ini menggarisbawahi potensi integrasi nirs dan pembelajaran mesin untuk pengendalian kualitas di industri kopi.

The Near-Infrared Spectroscopy (NIRS) technology, combined with machine learning, offers a promising approach for non-destructive analysis of agricultural products. This study focuses on predicting chlorogenic acid content in Arabica coffee beans using NIRS and machine learning models. Various preprocessing methods were applied to enhance the accuracy of the model, including peak normalization, Savitzky-Golay smoothing, and extended multiplicative scatter correction (EMSC). The results show that the model can effectively predict chlorogenic acid levels with high accuracy, especially when using Savitzky-Golay smoothing as a preprocessing method. The model achieved a coefficient of determination (R²) of 0.79 and a ratio of prediction to deviation (RPD) of 3.38, indicating a robust and reliable prediction. These findings underscore the potential of integrating NIRS and machine learning for quality control in the coffee industry.