TEKNOLOGI PANGAN CERDAS: OPTIMASI E-NOSE UNTUK DETEKSI MUTU KOPI

Shanti Pujilestari; Handono Bayuadji

doi:10.36441/jtepakes.v4i2.2808

TEKNOLOGI PANGAN CERDAS: OPTIMASI E-NOSE UNTUK DETEKSI MUTU KOPI

Shanti Pujilestari, Handono Bayuadji

Abstrak

Penelitian ini bertujuan mengembangkan sistem deteksi mutu kopi berbasis Electronic Nose (E-Nose) dengan optimasi konfigurasi sensor dan penerapan algoritma kecerdasan buatan (AI). Evaluasi mutu kopi melalui pengujian organoleptik (penilaian sensori) bersifat subyektif, tergantung pada persepsi panelis, serta memakan waktu, yang dapat menghasilkan penilaian yang tidak konsisten. Teknologi sensor elektronik akan digunakan untuk memberikan evaluasi yang lebih objektif dan konsisten. Delapan sensor gas (SP-12A, SP-31, TGS-813, TGS-842, SP-AQ3, TGS-823, ST-31, dan TGS-800) digunakan untuk mendeteksi mutu kopi. Empat algoritma AI, yaitu Random Forest, Neural Network, Decision Tree, dan Naive Bayes, diterapkan untuk menilai akurasi prediksi mutu kopi berdasarkan data sensor. Selain itu, konfigurasi sensor ekonomis seperti seri MQ juga dievaluasi untuk mengatasi keterbatasan biaya dan ketersediaan sensor di pasar lokal. Hasil penelitian menunjukkan bahwa algoritma Random Forest memberikan akurasi tertinggi, yaitu 99,48% dengan penggunaan semua sensor. Namun, penggunaan sensor TGS secara eksklusif menurunkan akurasi hingga 88,74%. Penelitian ini juga menemukan bahwa kombinasi sensor TGS dan seri MQ memberikan solusi lebih ekonomis dengan performa yang tetap optimal. Optimasi sensor elektronik dan algoritma AI dapat menghasilkan sistem deteksi mutu kopi yang handal dan terjangkau. Penelitian ini memberikan kontribusi signifikan bagi pengembangan teknologi evaluasi mutu pangan yang lebih efisien, khususnya pada industri kopi lokal.

Kata Kunci

-nose, optimasi, pangan cerdas, kopi, mutu

Teks Lengkap:

PDF

Referensi

Alehegn, M., Joshi, R.R. and Mulay, P. (2019) ‘Diabetes analysis and prediction using random forest, KNN, Naïve Bayes, and J48: An ensemble approach’, International Journal of Scientific and Technology Research, 8(9), pp. 1346–1354.

Andre, R.S. et al. (2021) ‘Nanocomposite-based chemiresistive electronic nose and application in coffee analysis’, ACS Food Science & Technology, 1(8), pp. 1464–1471.

Anwari, R.H. (2021) ‘Dampak Konsumsi Kopi pada Penurunan Kadar Glukosa Darah Penderita Diabetes Mellitus Tipe 2’, Jurnal Penelitian Perawat Profesional, 3(3), pp. 531–540.

Arabika, A.K.K.B.K. (2023) ‘Caffeine Content Analysis of Arabica Coffee Beans with Variation Roasting Temperatures Grown in Aek Sabaon South Tapanuli Analisis Kadar Kafein Biji Kopi Arabika Dengan Variasi Temperatur Sangrai Yang Tumbuh Di Aek Sabaon Tapanuli Selatan Mey Linda Hasibu’, Journal of Pharmaceutical and Sciences| Volume, 6(2), pp. 681–691.

Aryadi, I. and Suhendar, A. (2024) ‘Implementasi Arsitektur Xception Dalam Menentukan Kematangan Tandan Buah Segar Kelapa Sawit’, Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi, 13(3).

Ayseli, M.T. (2024) ‘The role of volatile and non-volatile as compounds quality indicators and marker candidates in coffee: A systematic review’, Journal of Food Composition and Analysis, p. 106846.

Al Baid, M.S.A. (2020) Identifikasi Tingkat Kematangan Buah Durian Dengan Menggunakan Deret Sensor Gas Elektrokimia Dan Artificial Neural Network. ITS.

Berrar, D. (2024) ‘Bayes’ Theorem and Naive Bayes Classifier’, in Reference Module in Life Sciences. Elsevier. Available at: https://doi.org/https://doi.org/10.1016/B978-0-323-95502-7.00118-4.

Bintang, Y.K. and Imaduddin, H. (2024) ‘Pengembangan Model Deep learning untuk Deteksi Retinopati Diabetik Menggunakan Metode Transfer Learning’, JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), 9(3), pp. 1442–1455.

Charbuty, B. and Abdulazeez, A. (2021) ‘Classification Based on Decision Tree Algorithm for Machine Learning’, Journal of Applied Science and Technology Trends, 2(01), pp. 20–28. Available at: https://doi.org/10.38094/jastt20165.

Firdissa, E. et al. (2022) ‘Coffee drying and processing method influence quality of arabica coffee varieties (Coffee arabica L.) at Gomma I and Limmu Kossa, Southwest Ethiopia’, Journal of Food Quality, 2022(1), p. 9184374.

Husodo, B. (2020) ‘Konsumsi kopi untuk mencegah penyakit alzheimer’, Jurnal Ilmiah Kesehatan Sandi Husada, 12(2), pp. 996–1002.

Maneno, R. et al. (2023) ‘Deteksi tingkat kematangan buah pinang menggunakan metode support vector machine berdasarkan warna dan tekstur’, Journal of Information and Technology, 3(2), pp. 60–66.

Marahadi, I. (2021) ‘Analisis Strategi Pengembangan Usaha Kopi Arabika Di masa Pandemi Covid-19 (Studi kasus Kopi Gayo Atulintang).(studi Kasus kopi gayo Atulintang’, Jurnal AKAMI, 2, pp. 387–401.

Nazariah, N., Indriani, Y. and Kasymir, E. (2021) ‘Pola konsumsi dan sikap mahasiswa Universitas Lampung terhadap kopi robusta’, Jurnal Ilmu Ilmu Agribisnis: Journal of Agribusiness Science, 9(3), pp. 477–484.

Praneswara, A.O. and Cahyono, N. (2023) ‘Analisis Sentimen Ulasan Aplikasi TikTok Shop Seller Center di Google Playstore Menggunakan Algoritma Naive Bayes’, The Indonesian Journal of Computer Science, 12(6).

Priyambodo, A. and Prihati, P. (2020) ‘Evaluasi ekstraksi fitur klasifikasi teks untuk peningkatan akurasi klasifikasi menggunakan naive bayes’, Elkom: Jurnal Elektronika dan Komputer, 13(1), pp. 159–175.

Reta, R. et al. (2021) ‘Aroma Profile of Arabica Coffee Based on Ohmic Fermentation’, in M. Laranjo (ed.) Fermentation - Processes, Benefits and Risks. Rijeka: IntechOpen. Available at: https://doi.org/10.5772/intechopen.98638.

Rodríguez, J. and Durán, C. (2020) ‘Dataset: Electronic Nose for Quality Control of Colombian Coffee through the Detection of Defects in “Cup Tests”’. Mendeley. Available at: https://doi.org/10.17632/7spd6fpvyk.1.

Rodríguez, J., Durán, C. and Reyes, A. (2009) ‘Electronic nose for quality control of Colombian coffee through the detection of defects in “Cup Tests”’, Sensors, 10(1), pp. 36–46. Available at: https://doi.org/10.3390/s100100036.

Shafi, S.M. and Chinnappan, S.K. (2024) ‘Hybrid transformer-CNN and LSTM model for lung disease segmentation and classification’, PeerJ Computer Science, 10, p. e2444. Available at: https://doi.org/10.7717/peerj-cs.2444.

Singh, S. (2014) ‘Comparative Study Id3 , Cart and C4 . 5 Decision Tree Algorithm : a Survey’, International Journal of Advanced Information Science and Technology (IJAIST), 27(27), pp. 97–103. Available at: https://doi.org/10.15693/ijaist/2014.v3i7.47-52.

Sittipod, S. et al. (2020) ‘Identification of compounds that negatively impact coffee flavor quality using untargeted liquid chromatography/mass spectrometry analysis’, Journal of Agricultural and Food Chemistry, 68(38), pp. 10424–10431.

Steen, I. et al. (2023) ‘Evaluation of a sensory and cognitive online training tool for odor recognition in professional coffee tasters’, Journal of Sensory Studies, 38(3), p. e12819.

Sucipta, I.N. et al. (2023) ‘Quality of Kintamani Arabica and Pupuan Robusta Green Bean Coffee Based on Defects of Fermentation Process with Full Washed Method’, Food Science and Quality Management, 122, pp. 31–41. Available at: https://doi.org/10.7176/fsqm/122-05.

Sumarsono, J. et al. (2023) ‘The Best Combination of Gas Sensor and Machine Learning Classification Algorithm in Detecting Mango (Mangifera indica L.) Quality’, Advances in Biological Sciences Research, pp. 130–142. Available at: https://doi.org/10.2991/978-94-6463-274-3_11.