
Ferreira, E. B. et al.
2
Cad. Ciênc. Agrá., v. 12, p. 01–08, 2020. e-ISSN: 2447-6218 / ISSN: 1984-6738
Introdução
O cenário de mercados cada vez mais competi-
tivos começou a atingir a atividade cafeeira mundial nas
últimas décadas. Essa situação pode ser evidenciada na
constante busca por melhorias na qualidade do grão pro-
duzido de modo a atender a demanda atual. Em relação
ao mercado brasileiro, notou-se uma redução quanto ao
nível de exportações a partir de 1920. Tal redução pode
ser justificada pelo aumento da qualidade dos cafés pro-
duzidos pela Colômbia e por países da América Central
(Ormond et al., 1999). Em consequência dessas questões,
pode-se notar a expansão de grãos especiais e cafeterias
gourmet, incentivando produtores mundiais (Ormond et
al., 1999; Boaventura et al., 2018).
No mercado Brasileiro, o estado de Minas Gerais
é um dos maiores produtores do país. Atualmente, os
produtores do estado estão ganhando espaço quanto ao
nível de qualidade da safra produzida. Tal fato une-se a
criação de concursos de qualidade que incorporam valor
ao café (Barbosa et al., 2009) e objetivam o aumento de
emprego e de qualidade de vida para o cafeicultor, for-
talecendo também a agricultura familiar (Emater, 2019).
No que diz respeito a qualidade de um produto,
entende-se como um grão de qualidade aquele com ca-
racterísticas de sabor e aroma notáveis pelo consumidor.
Esses produtos comumente passam a ser certificados no
mercado, expandindo a demanda dos cafés produzidos
pela propriedade produtora (Oliveira et al., 2012).
No processo de especificação da qualidade do
grão, relaciona-se parâmetros considerados tradicionais
como o clima, solo de cultivo e altitude, o que pode ser
visto em Souza (2006) e Silva et al. (2015). Além destes,
incorpora-se atributos sensoriais que “geralmente se tra-
duzem em qualidade superior da bebida”. Desta forma,
cafés considerados especiais admitem uma diversidade
de fatores em sua qualidade (Souza, 2006).
O aspecto sensorial é considerado o mais impor-
tante no processo de escolha do consumidor (Dutcosky,
2013). Estudos e aplicações da análise sensorial tem
se mostrado como ferramenta útil para a avaliação de
produtos (Minim, 2010). Este fato pode ser notado nos
recentes estudos analisando a qualidade de produtos,
como cultivares de café, em Sanchez e Chambers (2015)
e Baqueta et al., (2019).
Na literatura, Chalfoun et al., (2013) analisaram
os atributos sensoriais relacionados ao sabor, doçura,
corpo e acidez em 21 cultivares do tipo cereja descas-
cado. O estudo explorou as notas atribuídas a partir de
metodologias da estatística experimental e multivariada,
possibilitando o agrupamento de amostras com carac-
terísticas semelhantes e a comparação dos cultivares
avaliados.
A intensidade do sabor típico do café foi analisada
por Kreuml et al., (2013) em amostras do tipo Arábica
e Robusta. Como resultado, os componentes aromáticos
foram importantes para a bebida do café e que mudanças
sensoriais foram notadas com o tempo de armazena-
mento. Como exemplo deste fato, houve um aumento
da intensidade de sabor azedo no café tipo Arábica e da
acidez no Robusta.
Mori et al. (2018) descreveram a qualidade de
cafés a partir de genótipos desenvolvidos para o estado do
Espírito Santo, em que a componente de acidez foi uma
das características de maior impacto na qualidade de um
dos genótipos. Sanchez e Chambers (2015) discutiram
impactos da forma de preparação de produtos como o
café nas questões sensoriais, inferindo que o aroma e o
sabor podem se alterar conforme o método de preparo;
Baqueta et al., (2019) apontaram complexidades da
avaliação sensorial por degustação e Borém et al. (2019)
identificaram os principais atributos em cafés especiais
de Minas Gerais.
Mais recentemente, métodos de aprendizado de
máquina vem sendo utilizados na análise de qualidade de
produtos, como o vinho e cafés, por meio e algorítimos
de árvores, boosting, bagging e redes neurais (Goyal e
Goyal, 2013; Lantz, 2015; Oliveira et al., 2019). Um
método não paramétrico muito utilizado é a árvore de
regressão, sendo construído a partir do particionamento
no espaço dos dados (Loh, 2014). Cada particionamento
é considerado um nó e cada desfecho final é denominado
folha (Izbicki e Santos, 2018). Assim, com a criação de
particionamentos distintos e disjuntos, a predição da
variável resposta dado as covariáveis é dada por:
Mais detalhes podem ser vistos em Loh (2014),
James et al., (2013) e Izbicki e Santos (2018), bem como
as etapas para a construção e poda de uma árvore, pro-
cedimento este que evita o super-ajuste.
Em conjunto a esses métodos de aprendizado,
métodos multivariados como componentes principais
também possibilitam analisar atributos de um produ-
to, como visto em Chalfoun et al. (2013), Kreuml et al.
(2013) e Kim et al. (2019). Conforme Jolliffe e Cadima
(2016), a técnica possibilita o redimensionamento dos
dados a partir da construção de variáveis ortogonais que
maximizam a variância.
Conforme Mingoti (2005), para a construção dos
componentes principais define-se o vetor aleatório X =
(X
1
, ..., X
p
) com vetor de médias µ, matriz de covariân-
cias Σ. Então, os componentes podem ser calculados via
matriz de correlação ou covariâncias. Caso estes sejam