| dc.description.abstract | Tahap grading merupakan tahap awal yang menentukan keberhasilan dalam perdagangan mangga. Mangga Arumanis memiliki kesulitan lebih tinggi dalam grading karena tidak mengalami perubahan fisik atau warna kulit yang jelas selama pematangan. Aspek subyektifitas dan ketidakkonsistenan penilaian secara fisik serta tidak efisiennya penggunaan parameter kimiawi yang bersifat destruktif maka
spektroskopi Near Infrared (NIR) digunakan sebagai metode non destruktif untuk mengukur kandungan kimia mangga. Spektroskopi NIR mampu memberikan informasi kimia dan struktur sampel dalam waktu yang cepat serta memungkinkan penggunaan secara portabel. Pengukuran sampel buah menggunakan NIR memiliki tantangan karena spektral yang terekam mengandung campuran penyerapan cahaya
dan efek hamburan, oleh karena itu preprocessing melalui transformasi spektral merupakan tahapan penting dalam pengolahan NIR. Terdapat beberapa metode preprocessing seperti, eliminasi noise dengan membatasi nilai amplitudo spektral, pengurangan efek trend, dan koreksi non-linear yang disebabkan perbedaan kondisi saat pengukuran. Penggunaan metode transformasi spektral terbaik sering ditentukan melalui trial and error, dengan membandingkan antar operator sehingga
membutuhkan kecermatan dan waktu lama. Kehadiran machine learning telah menghasilkan metode pembelajaran terotomasi dan penyetelan hyperparameter untuk mencari model yang dioptimalkan lebih lanjut. Efek dari nilai parameter yang berbeda pada operator transformasi spektral terhadap kinerja model jarang dipelajari secara mendalam. Tujuan pertama pada penelitian ini yaitu untuk
menerapkan machine learning untuk menguji kombinasi 11 operator transformasi spektral secara cepat dan bersamaan, sehingga dapat menemukan strategi transformasi spektral yang efektif.
Penelitian dengan perangkat NIR hingga saat ini telah mampu memprediksi atribut internal mangga (misalnya pati, kekerasan, drymatter, total padatan terlarut (TPT), dan keasaman) menggunakan beberapa teknik regresi. Hasil prediksi kemudian digunakan untuk menentukan nilai kematangan dengan metode threshold atau estimasi, pendekatan ini disebut klasifikasi tidak langsung. Sebagian tinjauan literatur banyak menyarankan menggunakan klasifikasi tidak langsung untuk prediksi tingkat kematangan namun akhir-akhir ini hasil penelitian menyatakan bahwa pendekatan klasifikasi langsung memiliki kinerja lebih baik dibandingkan pendekatan tidak langsung. Tujuan kedua dan ketiga penelitian ini yaitu mengembangkan model prediksi tingkat kematangan mangga Arumanis dengan membandingkan akurasi pendekatan klasifikasi langsung dan tidak langsung, dengan usulan kebaruan penerapan metode klasifikasi dan logika fuzzy pada pendekatan klasifikasi tidak langsung. Penggunan logika fuzzy dikarenakan kemampuannya untuk memecahkan masalah ketidakpastian dan untuk mewakili informasi yang ambigu serta cocok karena basisnya adalah pengalaman atau pengetahuan ahli.
Pemodelan klasifikasi langsung dengan input prediktor nilai reflectance spektral dengan rentang 1350-2500 nm dan label referensi didasarkan pada tingkat kematangan oleh ahli berdasarkan umur mangga (HSBM) dengan perlakuan transformasi spektral, hyperparameter tuning, dan validasi silang dilakukan
menggunakan 10 fold dengan pengulangan sebanyak 3 dan pemilihan sampel secara acak memiliki akurasi pengujian sebesar 81,43% dengan classifier LDA (solver ’eigen’, n_components=1) mengungguli SVM, MLP, DT, dan KNN. Operator transformasi spektral mampu memberikan input optimal pada model
klasifikasi yaitu CLIP, DETREND, EMSC, dan SAVGOL dengan poly_order=3, deriv_order=3, filter_win=5.
Pemodelan pendekatan klasifikasi tidak langsung diawali tahap prediksi atribut mangga dengan model regresi. Pada pemodelan regresi, input prediktor adalah nilai reflectance spektral sedangkan label referensi didasarkan pada nilai atribut mangga (keasaman, TPT, kekerasan dan pati) hasil analisis destruktif. Penentuan 4 atribut tersebut dikarenakan kemampuan dalam penentuan rasa, kandungan gula, tekstur dan kualitas daging buah sesuai dengan preferensi konsumen dan berkorelasi dengan tingat kematangan. Perbandingan 4 regressor dengan transformasi spektral dan hyperparameter tuning dengan kinerja terbaik yaitu regressor PLS, disusul LR, SVR, dan RF. Pada atribut keasaman, TPT, dan
kekerasan regressor PLS n_components=86 dan pada atribut pati dengan regressor PLS n_components=113 mampu berkinerja optimal. Operator transformasi spektral mampu memberikan input optimal pada model regresi diantaranya CLIP, DETREND, RESAMPLE, SAVGOL, BASELINE, dan RNV.
Kinerja pendekatan klasifikasi tidak langsung dengan metode threshold memiliki akurasi paling tinggi pada atribut TPT namun tidak lebih baik dibandingkan dengan pendekatan klasifikasi langsung (81,43%). Penerapan metode klasifikasi dengan pelatihan menggunakan 696 data analisis destruktif dan
pengujian dengan data hasil prediksi atribut mangga memiliki akurasi tertinggi sebesar 84,28% dengan classifier KNN dan LDA. Penerapan metode logika fuzzy mamdani dengan variabel input adalah 4 atribut mangga yang masing-masing atribut didefinisikan dalam 3 tingkat yaitu tinggi (T), sedang (S) dan rendah (R). Derajat keanggotaan atribut mangga didefinisikan menggunakan fungsi keanggotaan trapesium dan untuk mendapatkan nilai numerik dari 5 tingkat kematangan mangga dilakukan defuzzifikasi dengan nilai 75-104 dengan fungsi keanggotaan output segitiga. Hasil pengujian metode logika fuzzy memiliki akurasi sebesar 95,71% dengan menggunakan input hasil prediksi terbaik. Kinerja metode
ini paling tinggi jika dibandingkan metode threshold, klasifikasi dan pendekatan klasifikasi langsung. Pengujian metode logika fuzzy dengan input hasil prediksi terbaik kedua juga masih memiliki kinerja yang lebih tinggi (akurasi 90%) jika dibandingkan metode threshold (75,71%) dan klasifikasi (84,28%) serta pendekatan klasifikasi langsung (81,43%). Kinerja model klasifikasi tidak langsung dengan penerapan algoritma PLS dan metode logika fuzzy yang merupakan kebaruan pada penelitian dinamakan PLS-FL dan dapat menjadi rujukan pada penelitian spektroskopi NIR untuk klasifikasi yang memiliki kedekatan antar kelas. | id |
