Optimasi Prediksi Kadar Air pada Biji Kopi Menggunakan Augmentasi Data Gaussian Noise dan Moving Block Bootstrap

Abstract

Kadar air biji kopi merupakan salah satu parameter penting yang memengaruhi kualitas biji kopi, termasuk masa simpan dan potensi tumbuhnya jamur atau bakteri. Kadar air yang ideal pada biji kopi berkisar antara 10% hingga 12,5%. Oleh karena itu, pengukuran kadar air secara berkala sangat diperlukan untuk memastikan biji kopi berada pada tingkat kelembapan yang aman dan optimal. Pengukuran kadar air saat ini harus melewati beberapa tahapan, yang menyebabkan lamanya pengukuran. Untuk mengatasi permasalahan tersebut, pendekatan Machine Learning digunakan guna membangun model prediksi kadar air biji kopi secara lebih cepat dan efisien. Penelitian ini mengeksplorasi performa dua model regresi, yaitu Partial Least Square Regression (PLSR) dan Support Vector Regression (SVR), dalam memprediksi kadar air biji kopi. Dataset yang digunakan berasal dari hasil pengumpulan di PTPN Kalisat Jampit, yang terdiri dari 37 data. Mengingat terbatasnya jumlah data, penelitian ini juga membandingkan dua metode augmentasi data time series, yaitu Gaussian Noise dan Moving Block Bootstrap, untuk meningkatkan performa model. Evaluasi dilakukan baik sebelum maupun sesudah proses augmentasi untuk mengetahui pengaruhnya terhadap akurasi prediksi model. Hasil penelitian menunjukkan bahwa model SVR memberikan performa terbaik, dengan nilai koefisien determinasi (𝑅2) pada data uji sebesar 0,8838 menggunakan data asli. Setelah dilakukan augmentasi, performa model SVR meningkat, dengan nilai 𝑅2 sebesar 0,9760 pada augmentasi Gaussian Noise dan 0,9704 pada augmentasi Moving Block Bootstrap.