Prediksi Ph Fermentasi Kopi Berbasis Ensemble Learning dan Sistem Iot Pemantauan Suhu

Abstract

Fermentasi kopi merupakan salah satu tahapan penting yang memengaruhi kualitas akhir biji kopi. Salah satu parameter utama yang menentukan keberhasilan fermentasi adalah nilai pH. Namun, pengukuran pH belum dapat dilakukan secara kontinu karena memerlukan peralatan khusus serta proses pengukuran yang kurang praktis untuk diterapkan di lapangan. Penelitian ini bertujuan membangun model prediksi pH fermentasi kopi berbasis Ensemble Learning dengan memanfaatkan data suhu yang diperoleh dari sistem Internet of Things (IoT). Sistem IoT menggunakan mikrokontroler ESP32 dan sensor suhu DS18B20 untuk melakukan pemantauan suhu secara real-time selama proses fermentasi, sedangkan data pH digunakan sebagai variabel target dalam proses pemodelan. Dataset penelitian terdiri atas 1.452 data hasil pengamatan fermentasi kopi yang diperoleh dari PTPN I Regional 5 Kebun Kalisat Jampit. Tahap pra pemrosesan data meliputi penanganan data hilang dan penanganan outlier. Selanjutnya dilakukan pembagian dataset dengan skenario 80:20, 70:30, dan 60:40. Pendekatan Ensemble Learning diterapkan menggunakan dua algoritma, yaitu Random Forest yang menggabungkan banyak decision tree melalui mekanisme bagging dan Extreme Gradient Boosting (XGBoost) yang membangun model secara bertahap melalui mekanisme boosting. Kinerja model dievaluasi menggunakan koefisien determinasi (R²) dan Root Mean Square Error (RMSE) Hasil Penelitian menunjukkan bahwa model Random Forest memberikan performa terbaik pada skenario pembagian dataset 60:40 menggunakan parameter (Ahmed, 2024), dengan nilai R² sebesar 0.9097 dan RMSE sebesar 0.1516. Sementara itu, penggunaan Grid Search berhasil berhasil meningkatkan performa XGBoost hingga mencapai nilai R² sebesar 0.9040 dan RMSE sebesar 0.1563 pada skenario pembagian dataset yang sama.