Update Artikelilmiah: 54943

DESTA LULU FATMALA

NIM

Judul Artikel

Abstrak (Bhs. Indonesia)

Mangga Arumanis (Mangifera indica L. cv. Arumanis) merupakan salah satu varietas mangga unggulan Indonesia dengan nilai ekonomi tinggi, namum penilaian kualitasnya secara konvensional masih bergantung pada metode destruktif yang membutuhkan waktu dan biaya yang tidak sedikit. Pengembangan metode prediksi non-destruktif berbasis sensor spectral dan machine learning menjadi alternatif yang potensial untuk mengatasi keterbatasan tersebut. Penelitian ini bertujuan untuk 1) mengevaluasi kinerja algoritma Artificial Neural Network (ANN) dan Multiple Linear Regression (MLR) dalam memprediksi parameter fisikokimia mangga Arumanis secara non-destruktif menggunakan sensor AS7265X; 2) mengukur tingkat akurasi prediksi kualitas mangga Arumanis dari pasar tradisional dan pasar modern; 3) mengevaluasi kesesuaian antara prediksi berbasis spectrometer dengan persepsi kualitas melalui tingkat rasa manis.
Penelitian dilaksanakan di Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian, Fakultas Pertanian, Universitas Jenderal Soedirman, Purwokerto, pada bulan November 2025 sampai Februari 2026. Sampel yang digunakan sebanyak 100 sampel mangga Arumanis, terdiri dari 50 buah dari pasar tradisional dan 50 buah dari pasar modern. Data spectral diperoleh menggunakan sensor multispectral AS7265X yang merekam reflektansi pada 18 kanal spectral dengan rentang UV-Vis-NIR (410-940 nm). Parameter fisikokimia yang diukur meliputi kadar air (KA), kadar gula (KG), dan total padatan terlarut (TPT), serta Tingkat tingkat rasa manis melalui tingkat rasa manis. Kedua algoritma machine learning, yaitu ANN dan MLR, dilatih dan diuji menggunakan data spectral dari masing0masing kelompok pasar, kemudian dievaluasi menggunakan metrik R², MSE, dan MAPE.
Hasil penelitian menunjukkan bahwa model ANN secara konsisten mengungguli MLR pada seluruh parameter dan kedua jenis pasar, dengan R² uji berkisar 0,9549-0,9704 pada pasar tradisional dan 0,9125-0,9394 pada pasar modern, serta MAPE uji seluruhnya dibawah 8%. Sebaliknya, MLR hanya mampu menjelaskan 23-46% variansi data uji pada pasar tradisional (R²=0,2305-0,4649) dan 21-40% pada pasar modern (R² 0,2135-0,4015), mengindikasikan ketidakmampuan model linear dalam menangkap hubungan non-linear antara data spectral dan parameter fisikokimia buah. Prediksi berbasis spectrometer juga menunjukkan kesuaian tinggi dengan hasil tingkat rasa manis, dengan R² uji sebesar 0,9701 (MAPE 3,10%) pada pasar tradisional dan 0,9267 (MAPE 7,84%) pada pasar modern. Hasil ini menunjukkan bahwa kombinasi sensor multispectral AS7265X dan algoritma ANN merupakan pendekatan yang andal untuk prediksi kualitas mangga Arumanis secara non-destruktif, baik dari aspek fisikokimia maupun organoleptic, dan berpotensi diterapkan sebagai system control kualitas yang efisien dalam rantai pasok hortikultura.

Abtrak (Bhs. Inggris)

Arumanis mango (Mangifera indica L. cv. Arumanis) is one of Indonesia's premium mango varieties with high economic value; however, its quality assessment conventionally relies on destructive methods that are time-consuming and costly. The development of non-destructive prediction methods based on spectral sensors and machine learning presents a promising alternative to overcome these limitations. This study aimed to 1) evaluate the performance of Artificial Neural Network (ANN) and Multiple Linear Regression (MLR) algorithms in predicting the physicochemical parameters of Arumanis mango non-destructively using the AS7265X sensor; 2) measure the prediction accuracy of Arumanis mango quality sourced from traditional and modern markets; and 3) evaluate the agreement between spectrometer-based predictions and quality perception through sensory testing..
The study was conducted at the Laboratory of Food and Agricultural Product Processing Engineering, Faculty of Agriculture, Jenderal Soedirman University, Purwokerto, from November 2025 to February 2026. A total of 100 Arumanis mangoes were used as samples, consisting of 50 fruits from traditional markets and 50 fruits from modern markets. Spectral data were collected using the AS7265X multispectral sensor, which records reflectance across 18 spectral channels spanning the UV–Vis–NIR range (410–940 nm). The physicochemical parameters measured included moisture content (MC), sugar content (SC), and total soluble solids (TSS), as well as sweetness level assessed through sensory testing. Both machine learning algorithms, ANN and MLR, were trained and tested using spectral data from each market group and evaluated using r², MSE, and MAPE metrics.
The results demonstrated that the ANN model consistently outperformed MLR across all parameters and both market types, with test R² ranging from 0.9549 to 0.9704 for traditional market samples and 0.9125 to 0.9394 for modern market samples, with all test MAPE values below 8%. In contrast, MLR could only explain 23–46% of the test data variance for traditional market samples (R²= 0.2305–0.4649) and 21–40% for modern market samples (R²= 0.2135–0.4015), indicating the inability of linear models to capture the non-linear relationships between spectral data and fruit physicochemical parameters. Spectrometer-based predictions also showed high agreement with sensory test results, with test r² values of 0.9701 (MAPE 3.10%) for traditional markets and 0.9267 (MAPE 7.84%) for modern markets. These findings demonstrate that the combination of the AS7265X multispectral sensor and ANN algorithm constitutes a reliable approach for non-destructive quality prediction of Arumanis mango, both in physicochemical and organoleptic aspects, with potential application as an efficient quality control system in the horticultural supply chain.

Kata kunci

Pembimbing 1

Pembimbing 2

Pembimbing 3

Tahun

Jumlah Halaman