Perpustakaan Digital ITB

Fermentasi merupakan tahap yang krusial dalam penentuan mutu akhir biji kakao karena proses ini membentuk prekursor aroma, rasa, warna, dan karakteristik kimiawi biji. Namun, praktik fermentasi di Indonesia masih dilakukan secara tradisional tanpa pemantauan parameter kritis fisikokimianya. Praktik ini menyebabkan mutu biji kakao tidak konsisten sehingga menurunkan daya saing Indonesia sebagai salah satu produsen kakao terbesar dunia. Saat ini, pemanfaatan IoT pada fermentasi kakao umumnya masih sebatas alat pemantauan tanpa kemampuan analitis prediktif. Sementara itu, evaluasi mutu berbasis machine learning yang ada masih didominasi oleh metode destruktif seperti cut test yang tidak dapat dilakukan secara real-time Penelitian ini bertujuan mengembangkan dan membandingkan model machine learning untuk memprediksi Indeks Fermentasi biji kakao menggunakan dua karakteristik dataset fermentasi, yaitu dataset multi-siklus yang berasal dari 15 siklus fermentasi dengan parameter waktu, suhu biji kakao, dan pH pulp, serta dataset multi-sensor berbasis Internet of Things (IoT) yang diperoleh dari Smart Fermentor menggunakan parameter waktu, suhu lingkungan, suhu biji kakao, kelembapan, tekanan udara, serta konsentrasi gas EtOH, dan VOC. Model yang dievaluasi meliputi Random Forest, Extreme Gradient Boosting (XGfBoost), Long Short-Term Memory (LSTM), dan State Space Model Mamba (SSM-Mamba). Seluruh model dikembangkan melalui tahapan preprocessing, normalisasi data, hyperparameter tunning menggunakan Grid Search, dan dievaluasi menggunakan metrik Mean Absolute Error (MAE), Mean Squared Error (MSE), Root Mean Square Error (RMSE), serta koefisien determinasi (R²). Hasil penelitian menunjukkan bahwa seluruh algoritma mampu memprediksi Indeks Fermentasi dengan tingkat akurasi yang baik. Pada dataset multi-siklus, SSM-Mamba menghasilkan performa terbaik dengan nilai MAE sebesar 7,24, MSE sebesar 103,16, RMSE sebesar 9,60 dan R² sebesar 0,88. Sementara itu, pada dataset multi-sensor berbasis IoT, SSM-Mamba kembali memberikan performa terbaik dengan nilai MAE sebesar 5,87, MSE sebesar 55,78, RMSE sebesar 7,20, dan R² sebesar 0,83. Hasil tersebut menunjukkan bahwa arsitektur Selective State Space pada SSM-Mamba lebih efektif dalam memodelkan hubungan temporal dan non-linear pada data fermentasi dibandingkan Random Forest, XGBoost, maupun LSTM. Selain itu, model terbaik berhasil diintegrasikan ke dalam sistem Smart Fermentor berbasis IoT sehingga mampu melakukan prediksi Indeks Fermentasi serta menampilkan hasilnya melalui dashboard monitoring secara real-time.