M. Haekal Alfanshury Primary Author mixed material bibliography Banda Aceh Fakultas MIPA (S2) 2025

Theses

Asam klorogenat (CGA) merupakan senyawa bioaktif utama dalam biji kopi yang sangat penting untuk penilaian kualitas dan manfaat kesehatan. Metode kuantifikasi tradisional seperti Kromatografi Cair Kinerja Tinggi (HPLC) memerlukan waktu dan sumber daya yang besar. Studi ini mengeksplorasi potensi Spektroskopi Inframerah Dekat (Near-Infrared Spectroscopy/NIRS) yang dikombinasikan dengan berbagai algoritma pembelajaran mesin (machine learning/ML) serta teknik koreksi spektral untuk meningkatkan kuantifikasi CGA dalam biji kopi, sebagai alternatif yang cepat dan non-destruktif. Dataset yang digunakan terdiri dari 74 sampel biji kopi hijau utuh jenis Arabika dan Robusta, dengan data NIRS diperoleh pada rentang 1000–2500 nm dan kandungan CGA acuan ditentukan menggunakan HPLC. Untuk meningkatkan kualitas data spektral, diterapkan dua metode praproses yaitu Multiplicative Scatter Correction (MSC) dan Standard Normal Variate (SNV). Enam model regresi ML dievaluasi: K-Nearest Neighbors (KNN), Support Vector Regression (SVR), Random Forest Regression (RFR), Gradient Boosting Regression (GBR), Extreme Gradient Boosting (XGBoost), dan Natural Gradient Boosting (NGBoost), beserta kombinasi ensemble-nya. Kinerja model dievaluasi menggunakan metrik koefisien determinasi (R²), Root Mean Squared Error (RMSE), dan Rasio Deviasi Prediksi (RPD). Hasil menunjukkan bahwa model NGBoost yang dilatih pada data MSC memberikan performa terbaik di antara model tunggal, dengan R² validasi sebesar 0,93 dan RPD sebesar 3,67, menunjukkan akurasi prediktif dan kemampuan generalisasi yang unggul. Sementara itu, model ensemble terbaik (XGBoost + GBR) juga menunjukkan performa kuat (R² = 0,88, RPD = 2,88 pada data MSC), namun NGBoost terbukti lebih andal. Secara umum, MSC menghasilkan performa model yang sedikit lebih baik dibandingkan SNV, menunjukkan efektivitasnya dalam menyediakan input spektral yang lebih bersih. Studi ini juga menyoroti pentingnya pengelolaan kompleksitas model, di mana Random Forest secara konsisten menunjukkan gejala overfitting. Penelitian ini menegaskan bahwa kombinasi NGBoost dengan praproses MSC memberikan solusi yang sangat akurat dan andal untuk kuantifikasi CGA secara non-destruktif pada biji kopi, yang bermanfaat bagi pengendalian kualitas dalam industri kopi. 0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 167217 2025-07-25 11:26:45 2025-07-25 11:41:59 machine generated