skip to main content

Aplikasi Electronic Nose Untuk Klasifikasi Kopi Aceh Gayo Berdasarkan Proses Pasca Panen

1Department of Electrical Engineering and Informatics, Indonesia

2Vocational College, Universitas Gadjah Mada, Indonesia

Received: 25 Feb 2022; Published: 24 Sep 2024.
Open Access Copyright (c) 2024 Budi Sumanto, Iota Nathasya, Wahyu Wijaya, Jans Hendry
Creative Commons License This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Citation Format:
Abstract
Kopi merupakan salah satu komoditas asal Indonesia dengan daya tarik aroma dan rasa yang khas. Salah satu jenis kopi yang terkenal adalah Kopi Aceh Gayo. Kopi ini memiliki beberapa jenis lagi yang dibedakan melalui proses pasca panen yang dikenakan pada biji kopi yang sama. Hasil pengolahan ini akan menghasilkan aroma dan kualitas yang berbeda seperti pada Gayo natural dan wine. Kualitas kopi umumnya diuji menggunakan hidung manusia yang cenderung memiliki kekurangan karena sifatnya yang subyektif. Adanya kekurangan inilah yang berusaha dibantu dengan menggunakan e-nose dan SVM. E-nose merupakan instrument pengukuran yang memanfaatkan sensor gas untuk mengumpulkan data sinyal dari obyek yang digunakan. SVM (Support Vector Machine) merupakan metode yang digunakan untuk mencari hyperplane terbaik yang dapat memisahkan kedua jenis kopi yang digunakan sebagai obyek percobaan ini. Penggunaaan E-nose dan SVM menghasilkan akurasi prediksi sebesar 90%, presisi sebesar 87,5% dan sensitivitas 93,3%.
Fulltext Email colleagues
Keywords: kopi aceh gayo; pasca-panen; e-nose; support vector machine

Article Metrics:

  1. Kementrian Perindustrian Republik, Peluang Usaha IKM Kopi. Direktorat Jendral Industri Kecil dan Menengah Kementrian Perindustrian Republik Indonesia, 2017
  2. R. K. pertanian I. Widaningsih, Buku Outlook Komoditas Perkebunan Kopi. 2019
  3. M. Farhan, “Pengaruh Metode Pengolahan Pasca Panen Dan Teknik Penyeduhan Terhadap Cita Rasa Kopi,” 2019
  4. International Coffe Organization, “Coffee Development Report,” 2021. doi: 10.1007/978-94-015-7787-8_3
  5. A. T. Toci dan A. Farah, “Volatile compounds as potential defective coffee beans’ markers,” Food Chem., vol. 108, no. 3, hal. 1133–1141, 2008, doi: 10.1016/j.foodchem.2007.11.064
  6. K. J. Flambeau, W. J. Lee, dan J. Yoon, “Discrimination and geographical origin prediction of washed specialty Bourbon coffee from different coffee growing areas in Rwanda by using electronic nose and electronic tongue,” Food Sci. Biotechnol., vol. 26, no. 5, hal. 1245–1254, 2017, doi: 10.1007/s10068-017-0168-1
  7. P. Della Audyna, “Verifikasi Klasifikias Jenis Teh Menggunakan Electronic Nose Berbasis Support Vector Machine dan Algoritma Genetika,” Universitas Gadjah Mada, 2018
  8. K. Mahmodi, M. Mostafaei, dan E. Mirzaee-Ghaleh, “Detection and classification of diesel-biodiesel blends by LDA, QDA and SVM approaches using an electronic nose,” Fuel, vol. 258, no. May, hal. 116114, 2019, doi: 10.1016/j.fuel.2019.116114
  9. P. López, R. Triviño, D. Calderón, A. Arcentales, dan A. V. Guamán, “Electronic nose prototype for explosive detection,” 2017 Chil. Conf. Electr. Electron. Eng. Inf. Commun. Technol. CHILECON 2017 - Proc., vol. 2017-Janua, hal. 1–4, 2017, doi: 10.1109/CHILECON.2017.8229657
  10. I. Inca, T. W. Widodo, dan 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, hal. 61, 2018, doi: 10.22146/ijeis.28718
  11. B. H. Tozlu, C. Şimşek, O. Aydemir, dan Y. Karavelioglu, “A High performance electronic nose system for the recognition of myocardial infarction and coronary artery diseases,” Biomed. Signal Process. Control, vol. 64, no. September 2020, 2021, doi: 10.1016/j.bspc.2020.102247
  12. A. Hayes, “What’s Variance,” 2021. https://www.investopedia.com/terms/v/variance.asp (diakses Sep 25, 2021)
  13. L. F. Chaparro dan A. Akan, Signals and systems using MATLAB. 2018
  14. V. K. Ingle dan J. G. Proakis, “Digital Signal Processing,” in Fiber Optic Communications, vol. 22, no. 4, Chichester, UK: John Wiley & Sons, Ltd, 2014, hal. 497–526
  15. S. Yadav dan S. Shukla, “Analysis of k-Fold Cross-Validation over Hold-Out Validation on Colossal Datasets for Quality Classification,” Proc. - 6th Int. Adv. Comput. Conf. IACC 2016, no. Cv, hal. 78–83, 2016, doi: 10.1109/IACC.2016.25
  16. F. J. Ariza-López, J. Rodríguez-Avi, dan M. V. Alba-Fernández, “Complete control of an observed confusion matrix,” Int. Geosci. Remote Sens. Symp., vol. 2018-July, hal. 1222–1225, 2018, doi: 10.1109/IGARSS.2018.8517540
  17. O. P. Singh, R. Palaniappan, dan M. Malarvili, “Automatic Quantitative Analysis of Human Respired Carbon Dioxide Waveform for Asthma and Non-Asthma Classification Using Support Vector Machine,” IEEE Access, vol. 6, hal. 55245–55256, 2018, doi: 10.1109/ACCESS.2018.2871091
  18. P. F. Qi, Q. H. Meng, Y. Q. Jing, M. Zeng, dan S. G. Ma, “Rapid detection of Chinese liquors using a portable e-nose based on C-SVM,” Proc. World Congr. Intell. Control Autom., vol. 2016-September, hal. 1388–1392, 2016, doi: 10.1109/WCICA.2016.7578628
  19. H. Song, Z. Ding, C. Guo, Z. Li, dan H. Xia, “Research on combination kernel function of support vector machine,” Proc. - Int. Conf. Comput. Sci. Softw. Eng. CSSE 2008, vol. 1, hal. 838–841, 2008, doi: 10.1109/CSSE.2008.1231
  20. B. Ghojogh dan M. Crowley, “The Theory Behind Overfitting, Cross Validation, Regularization, Bagging, and Boosting: Tutorial,” hal. 1–23, 2019, [Daring]. Tersedia pada: http://arxiv.org/abs/1905.12787

Last update:

No citation recorded.

Last update: 2024-11-21 13:40:30

No citation recorded.