Optimasi Model Prediksi Kematangan Buah Mangga Arumanis Dengan Menggunakan Partial Least Square dan Linear

Abstract

Mangga adalah salah satu tanaman tropis yang terkenal di seluruh dunia. Buah ini disukai karena rasanya yang lezat serta dapat dimakan secara langsung ataupun diolah terlebih dahulu. Mangga adalah salah satu tanaman hortikultura yang potensial di pasar Indonesia. Pada tahun 2021, produksi mangga mencapai 2.835.442 ton yang menjadikan mangga sebagai buah yang paling banyak diproduksi keempat setelah pisang, nanas, dan jeruk. Namun, terdapat beberapa permasalahan dalam pengiriman buah mangga kepada konsumen dimana buah bisa jadi busuk saat diterima oleh konsumen. Penelitian sebelumnya telah dilakukan untuk mengukur tingkat kematangan, tingkat keasaman, kadar TPT, tingkat kekerasan, dan kadar pati buah mangga arumanis. Penelitian tersebut masih memiliki kekurangan, yaitu prediksi yang kurang baik dan waktu untuk memperoleh hasil prediksi yang relatif lama karena data masukan memiliki dimensi yang besar. Penelitian ini menunjukan bahwa penambahan PLS dan LDA dalam model prediksi kematangan buah mangga untuk melakukan reduksi dimensi memberikan pengaruh dalam meningkatkan akurasi dari 91,43% menjadi 92,098% dengan waktu prediksi sebesar 0,0315 detik.

Mango is one of the famous tropical plants around the world. This fruit is preferred because it tastes delicious and can be eaten directly or processed first. Mango is one of the potential horticultural crops in the Indonesian market. In 2021, mango production will reach 2,835,442 tons, making mango the fourth most produced fruit after bananas, pineapples and oranges. However, there are several problems in the delivery of mangoes to consumers where the fruit can be rotten when received by consumers. Previous research has been conducted to measure the level of ripeness, acidity level, TPT level, hardness level, and starch content of arumanis mangoes. This research still has drawbacks, namely poor predictions and relatively long time to obtain predictive results because the input data has large dimensions. This study shows that the addition of PLS and LDA in the prediction model of ripeness of mango fruit to perform dimension reduction has an effect in increasing accuracy from 91.43% to 92.098% with a prediction time of 0.0315 seconds.