Seleksi Fitur Terhadap Performa Kinerja Sistem E-Nose untuk Klasifikasi Aroma Kopi Gayo

Budi Sumanto; Denting Romantika Java; Wahyu Wijaya; Jans Hendry

doi:10.30812/matrik.v21i2.1495

Budi Sumanto Departemen Teknik Elektro dan Informatika, Sekolah Vokasi, Universitas Gadjah Mada
Denting Romantika Java Departemen Teknik Elektro dan Informatika, Sekolah Vokasi, Universitas Gadjah Mada
Wahyu Wijaya Departemen Teknik Elektro dan Informatika, Sekolah Vokasi, Universitas Gadjah Mada
Jans Hendry Departemen Teknik Elektro dan Informatika, Sekolah Vokasi, Universitas Gadjah Mada

DOI: https://doi.org/10.30812/matrik.v21i2.1495

Keywords: E-Nose, Kopi Arabika Gayo, Seleksi Fitur, Support Vector Machine

Abstract

Tujuan dari penelitian ini adalah mengoptimasi kinerja system E-Nose dengan melakukan seleksi fitur untuk memperoleh kombinasi fitur yang terbaik dalam mengklasifikasi aroma jenis kopi arabika Gayo. Kopi ini merupakan salah satu kopi spesial dari Indonesia yang berasal dari Provinsi Aceh. Berbagai faktor dapat mempengaruhi hasil akhir kopi salah satunya pada proses pengolahan pasca panen diantaranya teknik proses kering (drying) dengan metode Natural dan Wine. Perbedaan metode pengolahan pasca panen ini dapat mempengaruhi aroma kopi yang dihasilkan dari setiap kopi yang memiliki aroma dan cita rasa yang khas. Penerapan sistem Electronic Nose (E-Nose) dapat diaplikasikan untuk mengklasifikasi aroma yang berbeda dari jenis kopi Gayo natural dan Gayo wine, namun kesamaan respon sensor dan banyaknya data menyebabkan kurang spesifik dan menurunkan performa kinerja sistem. Implementasi seleksi fitur dapat diterapkan pada proses klasifikasi dengan menggunakan metode Support Vector Machine (SVM) berdasarkan jumlah galat Sum of Absolute Errors (SAE) untuk mendapatkan kombinasi fitur terbaik sehingga mendapatkan kinerja sistem yang lebih optimal. Hasil penelitian ini mendapatkan 5 fitur terbaik dengan nilai akurasi sebesar 93,33%, presisi sebesar 93,33% dan sensitivitas sebesar 93,33%.

Downloads

Download data is not yet available.

References

[1] M. Saputri, H. N. Lioe, and C. H. Wijaya, “Pemetaan Karakteristik Kimia Biji Kopi Arabika Gayo Dan Robusta Gayo,” J. Teknol. dan Ind. Pangan, vol. 31, no. 1, pp. 76–85, 2020, doi: 10.6066/jtip.2020.31.1.76.
[2] Kementrian RI, Outlook Komoditas Perkebunan Kopi 2019. Pusat Data dan Sistem Informasi Pertanian Sekretariat Jendral, 2019.
[3] R. Fadhil, M. S. Maarif, T. Bantacut, and A. Hermawan, “Model Strategi Pengembangan Sumber Daya Manusia Agroindustri Kopi Gayo dalam Menghadapi Masyarakat Ekonomi ASEAN,” J. Manaj. Teknol., vol. 16, no. 2, pp. 141–155, 2017, doi: 10.12695/jmt.2017.16.2.3.
[4] M. T. Pamungkas, M. Masrukan, and K. SAR, “Pengaruh Suhu dan Lama Penyangraian (Roasting) Terhadap Sifat Fisik dan Kimia Pada Seduhan Kopi Arabika (Coffea Arabica L.) Dari Kabupaten Gayo, Provinsi Aceh,” Agrotech J. Ilm. Teknol. Pertan., vol. 3, no. 2, pp. 1–10, 2021, doi: 10.37631/agrotech.v3i2.278.
[5] E. Randriani and E. Wardiana, “Atribut Mutu Empat Kultivar Kopi Arabika Pada Ketinggian Tempat Tumbuh dan Metode Pengolahan yang Berbeda,” J. Ind. Beverage Chops, vol. 5, no. 1, pp. 21–30, 2018.
[6] M. Farhan, “Pengaruh Metode Pengolahan Pasca Panen Dan Teknik Penyeduhan Terhadap Cita Rasa Kopi,” Universitas Brawijaya, 2019.
[7] R. K. Raigar, R. Upadhyay, and H. N. Mishra, “Storage quality assessment of shelled peanuts using non-destructive electronic nose combined with fuzzy logic approach,” Postharvest Biol. Technol., vol. 132, no. May, pp. 43–50, 2017, doi: 10.1016/j.postharvbio.2017.05.016.
[8] L. A. A. R. Putri, “Seleksi Fitur Dalam Klasifikasi Genre Musik,” J. Ilm. Ilmu Komput. Udayana, vol. 10, no. 1, pp. 19–26, 2017.
[9] Y. Arimurti, K. Triyana, and S. Anggrahini, “Portable Electronic Nose Sebagai Instrumen Untuk Diskriminasi Aroma Kopi Robusta Jawa Dan Robusta Sumatera Yang Terkorelasi Dengan Gas Chromatography Mass Spectrometry,” J. Ilmu Fis. | Univ. Andalas, vol. 10, no. 2, pp. 113–124, 2018, doi: 10.25077/jif.10.2.113-124.2018.
[10] X. Zhan, X. Guan, R. Wu, Z. Wang, Y. Wang, and G. Li, “Feature engineering in discrimination of herbal medicines from different geographical origins with electronic nose,” Proc. 2019 IEEE 7th Int. Conf. Bioinforma. Comput. Biol. ICBCB 2019, pp. 56–62, 2019, doi: 10.1109/ICBCB.2019.8854643.
[11] Y. T. Liu and K. T. Tang, “A Minimum Distance Inliers Probablity (MDIP) Feature Selection Method to Enhance Gas Classification for An Electronic Nose System,” ISOEN 2019 - 18th Int. Symp. Olfaction Electron. Nose, Proc., no. 101, pp. 2019–2021, 2019, doi: 10.1109/ISOEN.2019.8823336.
[12] E. F. Anggara, T. W. Widodo, and D. Lelono, “Deteksi Daging Sapi Menggunakan Electronic Nose Berbasis Bidirectional Associative Memory,” IJEIS (Indonesian J. Electron. Instrum. Syst., vol. 7, no. 2, p. 209, 2017, doi: 10.22146/ijeis.25489.
[13] I. Inca, T. W. Widodo, and D. Lelono, “Klasifikasi Teh Hijau dan Teh Hitam Tambi-Pagilaran dengan Metode Principal Component Analysis (PCA) Menggunakan E-Nose,” IJEIS (Indonesian J. Electron. Instrum. Syst., vol. 8, no. 1, p. 61, 2018, doi: 10.22146/ijeis.28718.
[14] A. Mujumdar and V. Vaidehi, “Diabetes Prediction using Machine Learning Algorithms,” Procedia Comput. Sci., vol. 165, pp. 292–299, 2019, doi: 10.1016/j.procs.2020.01.047.
[15] L. Yu and H. Liu, “Feature Selection for High-Dimensional Data: A Fast Correlation-Based Filter Solution,” Proceedings, Twent. Int. Conf. Mach. Learn., vol. 2, pp. 856–863, 2003.
[16] Y. Yin and Y. Zhao, “A feature selection strategy of E-nose data based on PCA coupled with Wilks Λ-statistic for discrimination of vinegar samples,” J. Food Meas. Charact., vol. 13, no. 3, pp. 2406–2416, 2019, doi: 10.1007/s11694-019-00161-0.