Aplicación de aprendizaje automático en espectros de infrarrojo cercano para la predicción de humedad en comino molido

Simple item page
dc.contributor.advisorLópez Gonzales, Javier Linkolk
dc.contributor.authorVillalta Arellano, Segundo Ramos
dc.date.accessioned2025-04-14T13:55:19Z
dc.date.available2025-04-14T13:55:19Z
dc.date.embargoEnd2027-04-27
dc.date.issued2025-04-27
dc.description.abstractEl comino (Cuminum cyminum L.) es una de las especias más valoradas a nivel mundial, y el contenido de humedad constituye un parámetro crítico para evaluar su calidad y seguridad. Este estudio tuvo como objetivo evaluar el rendimiento de algoritmos de aprendizaje automático en el análisis de espectros de infrarrojo cercano (NIR) para la predicción de humedad en comino molido. Se recolectaron seis muestras de comino y se obtuvieron espectros NIR en el rango de 1100-2100 nm. Los espectros, expresados en absorbancia, fueron pretratados utilizando Savitzky-Golay (SG) y normalización de manera independiente, seguidos por una optimización mediante análisis de componentes principales (PCA). Los datos completos y los optimizados se modelaron empleando regresión lineal múltiple (MLR) y máquinas de vectores de soporte cuadrático (QSVM). Los modelos se entrenaron mediante validación cruzada de 5 particiones con 30 repeticiones, evaluando su desempeño mediante el coeficiente de determinación (R²) y la raíz del error cuadrático medio (RMSE). En el conjunto de datos completo, QSVM con pretratamiento SG obtuvo los mejores resultados (R² = 0.99; RMSE = 0.0582). Para los datos optimizados, QSVM combinado con normalización presentó un rendimiento destacado (R² = 0.97; RMSE = 0.0919). Estos hallazgos resaltan que QSVM, gracias a su capacidad para capturar relaciones no lineales, ofrece predicciones más precisas y robustas en comparación con MLR. Este estudio sugiere explorar técnicas avanzadas basadas en aprendizaje profundo y/o algoritmos complementarios que puedan mejorar el rendimiento de los modelos predictivos.
dc.description.escuelaEscuela de Posgrado
dc.description.lineadeinvestigacionPredicción estadística
dc.description.sedeLima
dc.formatapplication/pdf
dc.identifier.urihttps://hdl.handle.net/20.500.12840/8637
dc.language.isospa
dc.publisherUniversidad Peruana Unión
dc.publisher.countryPE
dc.rightsinfo:eu-repo/semantics/embargoedAccess
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/4.0/
dc.subjectCuminum cyminum L
dc.subjectNIRS
dc.subjectAprendizaje automático
dc.subjectPCA
dc.subjectPretratamiento
dc.subject.ocdehttp://purl.org/pe-repo/ocde/ford#1.01.03
dc.titleAplicación de aprendizaje automático en espectros de infrarrojo cercano para la predicción de humedad en comino molido
dc.typeinfo:eu-repo/semantics/bachelorThesis
renati.advisor.dni46071566
renati.advisor.orcidhttps://orcid.org/0000-0003-0847-0552
renati.author.dni03583735
renati.discipline542039
renati.jurorPacheco Espinoza, Junior Israel
renati.jurorAbanto Ramírez, Carlos Daniel
renati.jurorHuanca López, Lizeth Geanina
renati.jurorTocto Cano, Esteban
renati.jurorLópez Gonzales, Javier Linkolk
renati.levelhttps://purl.org/pe-repo/renati/level#tituloSegundaEspecialidad
renati.typehttp://purl.org/pe-repo/renati/type#tesis
thesis.degree.disciplineSegunda Especialidad en Estadística Aplicada para Investigación
thesis.degree.grantorUniversidad Peruana Unión. Unidad de Posgrado de Ingeniería y Arquitectura
thesis.degree.nameSegunda Especialidad Profesional de Ingeniería: Estadística para Investigación

Files

Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Segundo_Tesis_Especialidad_2025.pdf
Size:
687.51 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Reporte de similitud.pdf
Size:
793.71 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Autorización.pdf
Size:
174.86 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description:
Download

Collections

Segunda Especialidad Profesional de Ingeniería: Estadística Aplicada Para Investigación