| dc.description.abstract | Masyarakat telah mengonsumsi banyak daging dalam beberapa dekade terakhir dan produksinya cenderung tetap tinggi dalam 10 tahun terakhir antara tahun 2014 sampai tahun 2024. Daging sapi merupakan komoditas alternatif yang banyak dikonsumsi untuk memenuhi kebutuhan protein di banyak negara. Namun, produk makanan daging adalah produk yang cepat membusuk, terutama dalam kondisi tertentu, yang dapat mempercepat pertumbuhan mikroba. Banyak kasus konsumen yang sakit disebabkan oleh mikroba yang ditemukan pada daging sapi yang jumlahnya banyak atau di atas standar seperti Escherichia coli. Untuk menjaga standar kualitas sesuai dengan preferensi konsumen, prosedur pengendalian harus dilakukan pada daging. Namun, berbagai teknik seperti prosedur kimia, metode instrumental, analisis sensorik dan metode skrining telah digunakan dan membutuhkan waktu serta biaya yang tinggi.
Penelitian ini bertujuan menghasilkan model prediksi kualitas daging sapi dengan performa yang baik. Adapun tahapan yang telah dilaksanakan antara lain pemodelan menggunakan machine learning, pengembangan seleksi fitur, dan implementasi hyperparameter tuning. Penelitian ini berhasil mengembangkan model prediksi kualitas daging sapi dan metode seleksi fitur pada data spektroskopi dengan parameter yang digunakan antara lain warna, drip loss, pH, masa simpan, dan kadar air. Penggunaan algoritma Random Forest Regressor (RFR) dengan parameter default menghasilkan nilai R2 dengan rerata 0,74.
Kebaruan dalam penelitian ini adalah pengembangan seleksi fitur berbasis penyederhanaan garis pada data NIR spektroskopi. Data NIR Spektroskopi dihitung nilai mean sebagai dasar pembentukan garis antar titik-titik data yang bersesuaian dengan kolom data. Garis-garis antar titik dihitung sudut dengan formula pencarian sudut terkecil dari dua garis yang berpotongan. Kumpulan data sudut dieliminasi mulai dari nilai terkecil dan bersesuaian dengan kolom datanya. Pengembangan seleksi fitur ini menghasilkan nilai R2 dengan rerata 0,91 atau meningkat sebesar 17,49%. Selain nilai akurasi yang meningkat seleksi fitur dapat mempercepat waktu pembelajaran model dengan rerata waktu dari semua parameter daging adalah 7,69 detik dibandingkan dengan penerapan seleksi fitur pustaka SelectFromModel yang menggunakan rerata waktu selama 12,71 detik.
Penerapan hyperparameter tuning juga dapat meningkatkan performa RFR, dengan menerapkan metode RandomizedSearchCV pada RFR dapat menghasilkan nilai R2 dengan rerata 0,876. Upaya peningkatan performa model prediksi dengan menggabungkan fitur terbaik dari hasil seleksi fitur dan penerapan parameter terbaik dari hyperparameter tuning. Pada kombinasi dengan metode filter menghasilkan rerata R2 sebesar 0,90, hasil ini tidak lebih baik dari penerapan seleksi fitur saja. Pada kombinasi dengan metode wrapper menghasilkan nilai rerata R2 terbaik dengan nilai R2 sebesar 0,95 yang merupakan hasil kebaruan dari pengembangan metode seleksi fitur.
Tahapan implementasi pada penelitian ini telah menghasilkan prototipe berupa program komputer prediksi parameter kualitas daging sapi. Aplikasi model deteksi cepat kualitas daging berhasil diterapkan pada perangkat keras berupa prototipe perangkat portabel. Model hasil kombinasi antara seleksi fitur dan hyperparameter dengan teknik wrapper berhasil mempercepat waktu prediksi dari sekitar 50 detik menjadi sekitar 13 detik. | |
