Prediksi Kadar Gula Pereduksi Berdasarkan Nilai Brix Menggunakan Jaringan Syaraf Tiruan
Abstract
Kadar gula pereduksi merupakan indikator penting dalam penilaian mutu madu sebagaimana tercantum pada Standar Nasional Indonesia (SNI) 8664:2018. Namun, pengujian laboratorium membutuhkan biaya, waktu, dan peralatan khusus sehingga kurang sesuai untuk produsen skala kecil. Penelitian ini bertujuan mengembangkan sistem pakar berbasis web untuk memprediksi kadar gula pereduksi madu menggunakan nilai Brix sebagai input. Model dibangun dengan Jaringan Syaraf Tiruan (JST) tipe Perceptron Lapis Tunggal dan diimplementasikan melalui Streamlit, kemudian dihosting di Hugging Face Spaces agar mudah diakses secara daring. Dataset penelitian terdiri dari 15 data nilai Brix dan 5 data gula pereduksi, yang dilengkapi menjadi 20 pasangan data melalui interpolasi linier. Data dinormalisasi menggunakan metode Min-Max sebelum dilakukan pelatihan dengan validasi silang 5-Fold Cross Validation dan evaluasi menggunakan Mean Squared Error (MSE). Hasil terbaik dicapai pada epoch ke-300 dengan MSE sebesar 0,0676, sedangkan pelatihan hingga 800 epoch menghasilkan MSE akhir 0,1330. Sistem memungkinkan pengguna melakukan pelatihan dan prediksi secara langsung serta menampilkan hasil berupa visualisasi, nilai bobot dan bias, serta validasi terhadap standar SNI. Penelitian ini menunjukkan potensi penggunaan nilai Brix dan JST untuk prediksi mutu madu, meskipun masih terbatas oleh ukuran dataset dan penggunaan interpolasi.
Keywords
Full Text:
PDF (Bahasa Indonesia)References
Adityarini, D., Suedy, S. W. A., & Darmanti, S. (2020). Kualitas Madu Lokal Berdasarkan Kadar Air, Gula Total dan Keasaman dari Kabupaten Magelang. Buletin Anatomi dan Fisiologi, 5(1), 18–24.
Aribowo, B., Purwandari, A. T., Tsabitah, N., & Zesha, R. (2025). Honey Price Classification Using K-Nearest Neighbor Machine Learning. Pp. 14–34.
Arisandi, R. R. R., Warsito, B., & Hakim, A. R. (2022). Aplikasi Naïve Bayes Classifier pada Klasifikasi Status Gizi Balita Stunting dengan Pengujian K-Fold Cross Validation. Jurnal Gaussian, 11(1), 130–139.
Badan Standardisasi Nasional. (2018). SNI 8664:2018 Spesifikasi Madu. Badan Standardisasi Nasional.
Eka Saputra, G., Faisal, A., & Ahmad Apandi, D. (2020). Perbandingan Penerapan Algoritma Neural Network Backpropagation dengan Optimasi Algoritma L-BFGS dan SGD untuk Prediksi Penyakit Jantung. Seminar Nasional Teknologi Informasi dan Komunikasi STI&K, 4(1), 1–10.
Iswoyo, Y. P., Wulanningrum, R., & Bagus, A. (2024). Identifikasi Jenis Burung menggunakan YOLO8 Berbasis Web Streamlit, 8–15.
Muldiyanto, A., & Handajani, M. (2020). Perbandingan Analisis Regresi dengan Jaringan Syaraf Tiruan pada Pemodelan Penumpang Pesawat. Teknika, 15(2), 60.
Rahmadyah, A. A., & Sutojo, T. (2017). Penerapan Jaringan Syaraf Tiruan untuk Mengukur Regresi antara Keaktifan Mahasiswa di Organisasi dengan Prestasi Akademik Mahasiswa. Techno.Com, 16(3), 240–248.
Soeltanong, M. B., & Sasongko, C. (2021). Perencanaan Produksi dan Pengendalian Persediaan pada Perusahaan Manufaktur. Jurnal Riset Akuntansi dan Perpajakan, 8(1), 14–27.
Soufitri, F., & Purwawijaya, E. (2022). Analisis Kualitas Rancangan Point Of Sale Menerapkan Metode Mean Squared Error. Jurnal Media Informatika Budidarma, 6(4), 2376.
DOI: https://doi.org/10.30998/semnasristek.v10i1.8901
Refbacks
- There are currently no refbacks.
Prosiding SEMNAS RISTEK indexed by:

