Perpustakaan Digital ITB

Kakao (Theobroma cacao L.) merupakan salah satu komoditas hasil perkebunan unggulan di Indonesia. Kakao berperan penting dalam membangun perekonomian Indonesia. Namun, produksi kakao mengalami penurunan menjadi 667.300 ton pada tahun 2022. Mayoritas kakao yang diproduksi adalah jenis forastero. Namun, kualitas bijinya tidak sebagus biji kakao jenis lainnya, seperti criollo. Teknik fermentasi sekunder merupakan salah satu metode alternatif yang dapat meningkatkan dan menyamaratakan kualitas biji kakao terfermentasi alami. Penelitian sebelumnya oleh Nismara (2024) berhasil mengoptimalkan kondisi fermentasi sekunder dengan kultur starter mikroba ragi dan BAL (rasio 1:1) sebesar 10% (v/b kakao) dengan kepadatan sel 107 CFU/ml, dan penambahan bubuk stroberi sebesar 12,07% (b/b kakao) dengan suhu 27,01oC. Namun, pengendalian proses manual masih menjadi kendala untuk mencapai konsistensi dan efisiensi dalam skala besar. Untuk mengatasi kesenjangan ini, penelitian ini mengintegrasikan sensor real-time dengan pendekatan machine learning untuk memonitor dan mengontrol kondisi fermentor secara presisi. Tujuan dari penelitian ini adalah mengevaluasi dan menentukan model prediksi yang paling efektif untuk memprediksi durasi dan parameter kualitas fermentasi berdasarkan data dari sensor CO2 dan variabel proses lainnya. Kinetika pertumbuhan mikroba pertama dilakukan terlebih dahulu dalam medium CPSM-R, pH 3,5, kecepatan pengadukan 120 rpm, dan diinkubasi 48 jam pada suhu 27oC untuk ragi, serta dalam medium CPSM-B, pH 5,5, dan diinkubasi 24 jam pada suhu 37oC untuk BAL. Proses fermentasi sekunder dilakukan selama 12 jam dalam fermentor tertutup berisi 200 gram biji kakao Forastero, dengan kondisi optimum menurut Nismara (2024). Proses ini dipantau secara real-time menggunakan fermentor yang dilengkapi sensor kadar karbon dioksida (CO2), suhu, pH pulp, dan kelembaban. Kualitas biji kakao dievaluasi dengan pendekatan indeks fermentasi, kadar fenolik, bobot per satuan biji, susut bobot, kadar air, dinamika mikroba, dan pH nibs. Data sensor dan hasil uji, yaitu kadar CO2; suhu lingkungan; kelembaban relatif; pH pulp; dan massa (susut bobot), akan digunakan untuk membuat model prediksi terhadap target prediksi waktu fermentasi, pH nibs, dan kadar fenolik. Hasil penelitian menunjukkan BAL dan ragi masing-masing memiliki laju pertumbuhan (?) 0,36/jam dan 0,6/jam, serta waktu generasi (GT) 1,16 jam dan 1,92 jam. BAL memasuki fase log mulai dari jam ke-4 hingga jam ke-16, sedangkan ragi memasuki fase log mulai dari jam ke-6 hingga jam ke-12. Penelitian menghasilkan umur inokulum untuk BAL dan ragi masing-masing pada jam ke-10 dan jam ke-12. Berdasarkan hasil evaluasi kualitas biji kakao, fermentasi sekunder menghasilkan peningkatan indeks fermentasi dari 67,5% menjadi 90%, kadar fenolik dari 46,02 mg GAE/g kakao sebesar 97,41 mg GAE/g kakao, susut bobot sebesar 6,6%, serta kadar air dari 5,2% menjadi 6,4%. Berdasarkan nilai bobot per satuan biji kakao yang stabil pada 0,82-0,83 gram. Hasil menunjukkan tidak ada perubahan grade di akhir proses fermentasi sekunder. Hasil boosting regression menunjukkan performa yang sangat baik untuk model prediksi terhadap waktu fermentasi dan kadar fenolik, dengan masing-masing nilai mean squared error (MSE) uji yang lebih kecil dibandingkan nilai MSE validasi, nilai MSE (scaled) yang berkisar antara 0,017-0,020, serta nilai R2 > 0,95.