PENGELOMPOKAN KATEGORI MINUMAN KOPI BERDASARKAN KOMPOSISI BAHAN DAN KALORI DENGAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS (PCA) DAN SUPPORT VECTOR MACHINE (SVM)

Nur Ariffiyatul, Furaida (2025) PENGELOMPOKAN KATEGORI MINUMAN KOPI BERDASARKAN KOMPOSISI BAHAN DAN KALORI DENGAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS (PCA) DAN SUPPORT VECTOR MACHINE (SVM). Other thesis, UNSADA.

	Text COVER.pdf Download (1MB)
	Text BAB 1.pdf Download (623kB)
	Text BAB 2.pdf Download (847kB)
	Text BAB 3.pdf Restricted to Registered users only Download (944kB)
	Text BAB 4.pdf Restricted to Registered users only Download (1MB)
	Text BAB 5.pdf Download (556kB)
	Text DAFTAR PUSTAKA.pdf Download (565kB)
	Text LAMPIRAN.pdf Download (736kB)
	Text HASIL TURNITIN.pdf Download (535kB)
	Text SUKET TURNITIN.pdf Download (671kB)

Abstract

Industri kopi berkembang pesat dengan meningkatnya perhatian konsumen terhadap komposisi bahan dan kandungan kalori dalam minuman kopi. Penelitian ini bertujuan untuk mengelompokkan kategori minuman kopi berdasarkan komposisi bahan dan kalori menggunakan algoritma Principal Component Analysis (PCA) untuk reduksi dimensi data dan Support Vector Machine (SVM) untuk klasifikasi. Studi dilakukan di Kopi Harmoni, yang menghadapi tantangan dalam menyediakan informasi kalori pada menu mereka. Dengan metode CRIPS-DM, penelitian ini mencakup pemahaman bisnis, eksplorasi data, persiapan data, pemodelan, evaluasi, dan implementasi. Hasilnya, PCA berhasil menyederhanakan dimensi data tanpa kehilangan informasi penting, sedangkan SVM mencapai accuracy 94%, precision 100%, dan recall 91%. Kombinasi metode ini efektif mengelompokkan minuman kopi ke dalam kategori "Kalori Tinggi" dan "Kalori Rendah." Aplikasi berbasis web interaktif yang dihasilkan memudahkan konsumen memilih minuman sesuai kebutuhan nutrisi mereka. Penelitian ini memberikan solusi inovatif bagi coffee shop dalam memenuhi kebutuhan konsumen yang peduli kesehatan dan dapat dikembangkan lebih lanjut untuk meningkatkan akurasi dan generalisasi model.

Item Type:	Thesis (Other)
Additional Information:	Dosen Pemibmbing : Dr. Linda Nur Afifa, S.T., M.T
Uncontrolled Keywords:	Principal Component Analysis (PCA), Support Vector Machine (SVM), Klasifikasi Minuman Kopi, Kalori, Data Mining
Divisions:	Fakultas Teknik > Teknik Informatika
Depositing User:	Suwatno Suwatno Perpustakaan
Last Modified:	25 Nov 2025 09:34
URI:	http://repository.unsada.id/id/eprint/10144

Actions (login required)

View Item