Rancang Bangun Multi-Tray Load Cell Untuk Prediksi Kadar Air Pada Pengering Biji Kopi Berbasis Deep Learning

Abstract

Penelitian ini merancang sistem multi-tray load cell yang terintegrasi dengan pengering biji kopi untuk memantau perubahan berat pada empat tray secara berkelanjutan, serta mengembangkan model deep learning untuk memprediksi Kelembaban Relatif (RH) sebagai indikator kondisi kelembaban biji kopi berdasarkan data berat. Sistem ini menggunakan empat sensor sel beban yang dipasang pada setiap baki dengan modul HX711 yang telah dikalibrasi menggunakan timbangan standar. Data berat dikirimkan setiap dua menit melalui ESP32 dan diproses pada Raspberry Pi untuk implementasi waktu nyata. Sembilan model dibandingkan menggunakan skema Validasi Silang Deret Waktu yang Memperhitungkan Fase (Phase-Aware Time Series Cross-Validation) dengan optimisasi hiperparameter Optuna. Hasil evaluasi menunjukkan bahwa pada data pengeringan yang stabil, BiLSTM mencapai nilai R² sebesar 0,92, sedangkan LSTM, CNN-LSTM, dan CNN mencapai nilai R² sebesar 0,88. Pada data yang lebih berfluktuasi, kinerja semua model menurun, dengan Random Forest muncul sebagai model terbaik dengan nilai R² sebesar 0,227. Berdasarkan pertimbangan kinerja, kemampuan memodelkan ketergantungan temporal, dan kesesuaian untuk implementasi pada perangkat komputasi tepi, LSTM dipilih untuk pengujian waktu nyata. Hasil pengujian waktu nyata menunjukkan nilai MAE sebesar 6,31, RMSE sebesar 7,16, R² sebesar 0,21, dan CC sebesar 0,88. Hasil ini menunjukkan bahwa model tersebut mampu melacak pola perubahan kelembaban relatif (RH) biji selama proses pengeringan, meskipun masih terdapat penyimpangan prediksi, terutama pada fase akhir pengeringan.