Perpustakaan Digital ITB

Indonesia dikenal sebagai negara produsen biji kakao terbesar ke-3 pada tahun 2021. Meskipun demikian, Indonesia tetap belum luput dari permasalahan mutu biji kakao karena petani Indonesia sering mengabaikan fermentasi primer biji kakao sehingga mutunya berkualitas yang rendah, seperti rasa yang pahit, aroma yang tidak khas, dan warna yang buruk. Penelitian terdahulu telah membuktikan bahwa mutu biji kakao kering dapat ditingkatkan melalui proses fermentasi sekunder dengan penambahan bubuk stroberi. Penelitian Nismara (2024) menemukan kondisi teroptimasi untuk proses fermentasi sekunder tersebut, yaitu: kepadatan sel 107 CFU/mL, suhu 27,01oC, dan konsentrasi bubuk stroberi 12,07% (b/b). Namun, kondisi optimum yang spesifik dan waktu fermentasi yang singkat dapat menjadi hambatan jika fermentasi sekunder diaplikasikan pada skala besar tanpa pengendalian kondisi dengan baik. Upaya lanjutan yang dapat dilakukan untuk permasalahan tersebut adalah otomatisasi proses fermentasi sekunder pada fermentor dengan pemanfaatan model machine learning. Model ini bertujuan untuk mengontrol kondisi fermentor dan menjamin keseragaman mutu biji secara presisi. Penelitian ini memiliki 3 tujuan, yaitu: menentukan kinetika mikroba starter, menentukan kualitas biji kakao hasil fermentasi sekunder, dan menentukan target prediksi dengan menggunakan sensor untuk mengevaluasi kinerja fermentasi sekunder. Model machine learning dibangun dari dataset proses fermentasi sekunder kondisi optimum dengan metode boosting regression. Data proses diperoleh dengan uji sampling dan pengukuran realtime menggunakan sensor suhu thermal imaging dan termistor yang juga digunakan sebagai basis utama model. Pendekatan pengukuran sensor yang berbeda akan mempengaruhi performa model prediksi yang dihasilkan. Model yang dibangun dan dievaluasi adalah model prediksi total fenolik, kadar pH, dan waktu fermentasi. Berdasarkan hasil penelitian, mikroba starter Lactobacillus plantarum memiliki nilai generation time dan specific growth rate secara berturut-turut sebesar 1,16 jam dan 0,6/jam. Mikroba Candida tropicalis memiliki nilai generation time dan specific growth rate secara berturut-turut sebesar 1,92 jam dan 0,36/jam. Hasil fermentasi sekunder menghasilkan biji dengan indeks fermentasi mencapai 90% dari 67,5%, total fenolik sebesar 97,40 mg GAE/g kakao dari 46 mg GAE/g kakao, susut bobot mencapai 7,19%, massa biji menjadi 0.83 gram (grade C) dari 0.82 gram (grade S), dan kadar air sebesar 6,37% dari 5,25%. Dari proses fermentasi sekunder yang dilakukan sebanyak 2 batch, dataset yang diperoleh untuk penyusunan model adalah 146 dataset. Dataset dibagi ke dalam 3 kategori, yaitu: 64% dataset training (93 dataset), 16% dataset validation (24 dataset), dan 20% dataset test (29 dataset). Penyusunan model dilakukan dengan nilai shrinkage 0,1 dan menggunakan loss function Gaussian. Evaluasi model prediksi menunjukkan bahwa sensor termistor adalah sensor suhu yang lebih baik sebagai basis model prediksi dibandingkan sensor thermal imaging karena pengukuran suhu yang spesifik. Secara berturut-turut, model prediksi total fenolik, kadar pH nibs, dan waktu fermentasi berbasis sensor termistor menghasilkan jumlah trees sebanyak 100, 61, dan 66. Model prediksi total fenolik, kadar pH nibs, dan waktu fermentasi berbasis sensor termistor memberikan performa yang baik dengan nilai metrik koefisien determinasi (R2) secara berturut-turut: 0,969; 0,952; 0,975 dan nilai Mean Squared Error (scaled) mendekati nol, yaitu secara berturut-turut: 0,03; 0,024; 0,47. Dari ketiga model prediksi, total fenolik memberikan risiko yang lebih aman (fail-safe) dibandingkan model prediksi kadar pH nibs dan waktu fermentasi.