Seleksi Fitur Terhadap Performa Kinerja Sistem E-Nose untuk Klasifikasi Aroma Kopi Gayo
DOI:
https://doi.org/10.30812/matrik.v21i2.1495Keywords:
E-Nose, Kopi Arabika Gayo, Seleksi Fitur, Support Vector MachineAbstract
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.
[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.
Downloads
Published
2022-03-31
Issue
Section
Articles
How to Cite
[1]
B. Sumanto, D. R. Java, W. Wijaya, and J. Hendry, “Seleksi Fitur Terhadap Performa Kinerja Sistem E-Nose untuk Klasifikasi Aroma Kopi Gayo”, MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer, vol. 21, no. 2, pp. 429–438, Mar. 2022, doi: 10.30812/matrik.v21i2.1495.
Similar Articles
- Lusiana Efrizoni, Sarjon Defit, Muhammad Tajuddin, Anthony Anggrawan, Komparasi Ekstraksi Fitur dalam Klasifikasi Teks Multilabel Menggunakan Algoritma Machine Learning , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 21 No. 3 (2022)
- Budi Sumanto, Salima Nurrahma, Comparison of Random Forest Support Vector Machine and Passive Aggressive Models on E-nose-Based Aromatic Rice Classification , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 24 No. 3 (2025)
- Annisa Nurul Puteri, Suryadi Syamsu, Topan Leoni Putra, Andita Dani Achmad, Support Vector Machine for Predicting Candlestick Chart Movement on Foreign Exchange , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 22 No. 2 (2023)
- Firda Yunita Sari, Maharani sukma Kuntari, Hani Khaulasari, Winda Ari Yati, Comparison of Support Vector Machine Performance with Oversampling and Outlier Handling in Diabetic Disease Detection Classification , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 22 No. 3 (2023)
- Taufik Hidayat, Mohammad Ridwan, Muhamad Fajrul Iqbal, Sukisno Sukisno, Robby Rizky, William Eric Manongga, Determining Toddler's Nutritional Status with Machine Learning Classification Analysis Approach , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 24 No. 2 (2025)
- Muhammad Alkaff, Muhammad Afrizal Miqdad, Muhammad Fachrurrazi, Muhammad Nur Abdi, Ahmad Zainul Abidin, Raisa Amalia, Hate Speech Detection for Banjarese Languages on Instagram Using Machine Learning Methods , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 22 No. 3 (2023)
- Irma Binti Sya'idah, Sugiyarto Surono, Goh Khang Wen, DynamicWeighted Particle Swarm Optimization - Support Vector Machine Optimization in Recursive Feature Elimination Feature Selection , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 23 No. 3 (2024)
- Wahyu Styo Pratama, Didik Dwi Prasetya, Triyanna Widyaningtyas, Muhammad Zaki Wiryawan, Lalu Ganda Rady Putra, Tsukasa Hirashima, Performance Evaluation of Artificial Intelligence Models for Classification in Concept Map Quality Assessment , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 24 No. 3 (2025)
- Miftahuddin Fahmi, Anton Yudhana, Sunardi Sunardi, Image Processing Using Morphology on Support Vector Machine Classification Model for Waste Image , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 22 No. 3 (2023)
- Ni Wayan Sumartini Saraswati, I Gusti Ayu Agung Diatri Indradewi, Recognize The Polarity of Hotel Reviews using Support Vector Machine , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 22 No. 1 (2022)
1-10 of 95
Next
You may also start an advanced similarity search for this article.
Most read articles by the same author(s)
- Budi Sumanto, Salima Nurrahma, Comparison of Random Forest Support Vector Machine and Passive Aggressive Models on E-nose-Based Aromatic Rice Classification , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 24 No. 3 (2025)
.png)
