PREDIKSI SKOR ORGANOLEPTIK TEH HIJAU BERDASARKAN DATASET ELECTRONIC NOSE MENGGUNAKAN ALGORITMA BAGGING - Dalam bentuk buku karya ilmiah

RENALDI DAFA SAPUTRA

Informasi Umum

Kode

24.06.598

Klasifikasi

006.31 - Machine Learning

Jenis

Karya Ilmiah - TA (D3) - Reference

Subjek

Machine Learning

Dilihat

195 kali

Informasi Lainnya

Abstraksi

Kualitas teh, yang sangat dipengaruhi oleh aroma, sangat penting untuk kepuasan konsumen. Proyek akhir ini memperkenalkan metode inovatif dengan mengintegrasikan teknologi Electronic Nose (E-Nose) dengan Algoritma Bagging untuk memprediksi Skor organoleptik dalam teh hijau organik. Studi ini mengevaluasi berbagai model regresi, dengan fokus pada pengoptimalan hyperparameter dalam kerangka Bagging. Di antara model-model ini, Random Forest muncul sebagai yang paling kuat, menunjukkan akurasi prediksi yang luar biasa dengan Mean Squared Error (MSE) rendah dan nilai R-squared tinggi. Random Forest Regression unggul dalam menangkap pola dataset yang rumit, dengan pendekatan ensemble-nya yang efektif mengurangi overfitting dan memastikan prediksi yang andal dalam skenario yang kompleks. Sebaliknya, Decision Tree Regressor, meskipun memiliki nilai Rsquared tinggi, menunjukkan MSE yang lebih tinggi, menunjukkan presisi yang lebih rendah. Support Vector Regressor (SVR) dan Neural Network Regression menghadapi tantangan, menyoroti kebutuhan akan model yang mahir dalam hubungan nonlinear. Penelitian ini menekankan efektivitas Algoritma Bagging, khususnya Random Forest ensemble, dalam memprediksi Skor organoleptik, memberikan wawasan untuk pemilihan model dalam tugas regresi. Selain metodologi, implikasi meluas ke industri teh, di mana model-model ini berpotensi mengubah kontrol kualitas dan mengoptimalkan produksi. Studi ini merintis penggunaan Algoritma Bagging untuk penilaian kualitas teh yang presisi, sejalan dengan upaya untuk meningkatkan standar industri.