ALHARITS, MUHAMMAD ABIYYU and Kusuma, Hollanda Arief and Ilhamdy, Aidil Fadli (2026) STUDI KOMPARATIF MACHINE LEARNING PREDIKSI KADAR AIR RUMPUT LAUT KAPPAPHYCUS ALVAREZII BERBASIS SPEKTRAL SENSOR AS7265X. S1 thesis, Universitas Maritim Raja Ali Haji.

	Text (COVER) MUHAMMAD_ABIYYU_ALHARITS_2201010054_Teknik_Elektro_Cover.pdf - Published Version Download (742kB)
	Text (ABSTRAK) MUHAMMAD_ABIYYU_ALHARITS_2201010054_Teknik_Elektro_Abstrak.pdf - Published Version Download (348kB)
	Text (BAB I) MUHAMMAD_ABIYYU_ALHARITS_2201010054_Teknik_Elektro_BAB I.pdf - Published Version Download (388kB)
	Text (DAFTAR PUSTAKA) MUHAMMAD_ABIYYU_ALHARITS_2201010054_Teknik_Elektro_Daftar Pustaka.pdf - Published Version Download (386kB)
	Text (FULL TEKS) MUHAMMAD_ABIYYU_ALHARITS_2201010054_Teknik_Elektro_Full Teks.pdf - Published Version Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Kadar air merupakan parameter penting kualitas pascapanen rumput laut Kappaphycus alvarezii karena berpengaruh terhadap stabilitas, umur simpan, dan mutu produk akhir. Penelitian ini bertujuan memprediksi kadar air rumput laut Kappaphycus alvarezii menggunakan data spektral sensor AS7265x melalui pendekatan machine learning. Pengujian dilakukan dengan mengeringkan sampel pada suhu 50 °C untuk memperoleh variasi kadar air, kemudian data reflektansi 18 kanal spektral diakuisisi sebagai fitur. Data dipraproses menggunakan Z-score Standardization, direduksi dengan Principal Component Analysis (PCA), dibagi menjadi data latih dan data uji dengan rasio 80:20, lalu dimodelkan menggunakan Random Forest, K-Nearest Neighbor (KNN), dan Artificial Neural Network (ANN). Hasil PCA menunjukkan enam komponen utama merepresentasikan 93,7% variansi data. Dari total 3353 data yang dibagi dengan rasio 80:20, evaluasi pada data uji menunjukkan bahwa KNN menghasilkan kesalahan terendah dengan Mean Absolute Error (MAE) 0,0293, Mean Squared Error (MSE) 0,0895, Root Mean Squared Error (RMSE) 0,2991, dan koefisien determinasi (R²) 0,9998. Namun, pada inferensi langsung menggunakan ESP32, Random Forest menunjukkan kinerja paling stabil dengan MAE 9,187%. Temuan ini menunjukkan bahwa data spektral AS7265x layak digunakan sebagai masukan model prediktif, serta model terbaik pada pengujian dataset belum tentu paling sesuai untuk implementasi perangkat tertanam. Implikasinya, sistem ini dapat menjadi dasar pengembangan alat prediksi kadar air rumput laut secara portabel dan non-destruktif.

Actions (login required)

View Item