<![CDATA[Kadar minyak dan air adalah kriteria kualitas penting dari crude palm oil (CPO) yang dihasilkan dari pengolahan buah kelapa sawit. Biasanya, kandungan tersebut ditentukan menggunakan metode kimia di laboratorium. Metode ini memakan waktu, prosedur panjang, dan bersifat merusak. Beberapa upaya telah dilakukan untuk menentukan kadar minyak dan air buah kelapa sawit secara non-destruktif menggunakan beberapa metode, termasuk Near-Infrared Spectroscopy (NIRS), tetapi hasilnya belum memuaskan. Penelitian ini bertujuan untuk mengevaluasi Artificial Neural Network (ANN) dan metode NIRS untuk memprediksi kadar minyak dan air buah kelapa sawit secara non-destruktif. Sampel yang digunakan adalah buah kelapa sawit dengan sepuluh tingkat kematangan yang diambil dari perkebunan di Bogor. Reflektansi sampel diukur dengan spektrometer NIR-Flex 500 pada panjang gelombang 1000-2500 nm. Setelah itu, kadar minyak dan air ditentukan menggunakan metode kimia. Beberapa pre-treatment spektrum NIR, yaitu normalisasi, turunan pertama savitzky-golay, kombinasi keduanya, dan standard normal variate, diterapkan. Analisis multivariat seperti PLS dilakukan, dan hasil dari factor component (FC) dijadikan input untuk model ANN. Hasilnya menunjukkan bahwa metode terbaik untuk memprediksi kadar minyak adalah kombinasi turunan pertama savitzky-golay dan pre-treatment normalisasi menggunakan PLS-ANN dengan 20 FC (R2=0.99; SEC=0,58%, RPD = 29.89; CV = 2.47%). Untuk kadar air, prediksi terbaik adalah pre-treatment variasi standard normal variate menggunakan PLS-ANN dengan 20 FC (R2=0.99; SEC=1,07%, RPD=20.68; CV=1,73%). Hasil ini menunjukkan bahwa ANN dan NIRS yang dikembangkan dapat memprediksi kadar minyak dan air buah kelapa sawit secara non-destruktif.]]>
