Perancangan Sistem Electronic Nose Berbasis Mikrokontroller Sebagai Alat Pengklasifikasi Jenis Teh Murni

Mula Barata; Muhammad Jauhar Vikri; Teguh Pribadi

doi:10.33795/jip.v11i1.6349

Authors

Mula Barata Universitas Nahdlatul Ulama Sunan Giri
Muhammad Jauhar Vikri
Teguh Pribadi

DOI:

https://doi.org/10.33795/jip.v11i1.6349

Keywords:

Decision Tree, Electronic nose, E-nose, Teh murni

Abstract

Klasifikasi jenis teh murni secara manual sering kali memerlukan waktu yang lama dan bergantung pada kemampuan indera manusia, karena kemampuan ketajaman indera penciuman manusia yang berbeda penciuman anggapan tehradap obyek bersifat subyektif dan rentan terhadap kesalahan. Penelitian ini bertujuan untuk merancang sebuah sistem electronic nose berbasis mikrokontroler yang mampu mengklasifikasikan jenis teh murni secara otomatis dan konsisten. Sistem yang dikembangkan terdiri dari perangkat keras, termasuk mikrokontroler dan sejumlah sensor gas untuk mendeteksi senyawa volatil yang menjadi ciri khas setiap jenis teh. Data dari sensor diolah menggunakan algoritma machine learning untuk menghasilkan model klasifikasi yang akurat. Proses pengembangan melibatkan pengumpulan data aroma dari lima jenis teh murni yang diuji dalam berbagai kondisi lingkungan untuk memastikan robustitas sistem. Data yang diperoleh kemudian dianalisis dan diolah menggunakan algoritma supervised learning, yaitu algoritma Decision Tree. Sistem prototipe yang dihasilkan mampu mencapai akurasi klasifikasi sebesar 93,7%, menunjukkan keandalannya dalam mengenali pola aroma khas dari setiap jenis teh. Selain membahas hasil, penelitian ini juga mengidentifikasi tantangan seperti pengaruh variasi suhu dan kelembaban terhadap performa sensor, serta kebutuhan kalibrasi berkala untuk menjaga konsistensi sistem. Dengan hasil yang menjanjikan, sistem ini menawarkan solusi inovatif untuk mendukung industri teh dalam mengotomatisasi proses pengklasifikasian produk secara lebih efisien dan objektif.

Downloads

Download data is not yet available.

References

Abena, P., Hadjinian, P., Stadler, R., Verhees, J., & Zanasi, A. (1998). Discovering Data Mining. From Concept to Implementation. Prentice Hall.

Al Isyrofie, A. I. F., Kashif, M., Aji, A. K., Aidatuzzahro, N., Rahmatillah, A., Winarno, Susilo, Y., Syahrom, A., & Astuti, S. D. (2022). Odor clustering using a gas sensor array system of chicken meat based on temperature variations and storage time. Sensing and Bio-Sensing Research, 37(July), 100508. https://doi.org/10.1016/j.sbsr.2022.100508

Banerjee, R., Bandyopadhyay, R., Tudu, B., & Bhattacharyya, N. (2016). Tea and the Use of the Electronic Nose. In Electronic Noses and Tongues in Food Science (pp. 125–135). Elsevier Inc. https://doi.org/10.1016/B978-0-12-800243-8.00013-5

Gite, P., Chouhan, K., Murali Krishna, K., Kumar Nayak, C., Soni, M., & Shrivastava, A. (2021). ML Based Intrusion Detection Scheme for various types of attacks in a WSN using C4.5 and CART classifiers. Materials Today: Proceedings, xxxx. https://doi.org/10.1016/j.matpr.2021.07.378

Lim, C. M., Carey, M., Williams, P. N., & Koidis, A. (2021). Rapid classification of commercial teas according to their origin and type using elemental content with X-ray fluorescence (XRF) spectroscopy. Current Research in Food Science, 4, 45–52. https://doi.org/10.1016/j.crfs.2021.02.002

Magfira, D. B., & Sarno, R. (2018). Classification of Arabica and Robusta coffee using electronic nose. 2018 International Conference on Information and Communications Technology, ICOIACT 2018, 2018-Janua, 645–650. https://doi.org/10.1109/ICOIACT.2018.8350725

Meng, X., Zhang, P., Xu, Y., & Xie, H. (2020). Construction of decision tree based on C4.5 algorithm for online voltage stability assessment. International Journal of Electrical Power and Energy Systems, 118. https://doi.org/10.1016/j.ijepes.2019.105793

Putra, O. A., Firdaus, & Heryansyah, M. H. (2016). Identifikasi Aroma Teh dengan E-nose Menggunakan Metode Backpropagation. Seminar Nasional Sains Dan Teknologi, 34(1), 1–8.

Sundaramurthy, S., & Jayavel, P. (2020). A hybrid Grey Wolf Optimization and Particle Swarm Optimization with C4.5 approach for prediction of Rheumatoid Arthritis. Applied Soft Computing Journal, 94. https://doi.org/10.1016/j.asoc.2020.106500

Susanti, A. A., & Akbar. (2019). Buku Outlook Komoditas Perkebunan Teh. In Pusat Data dan Sistem Informasi Pertanian.

Tanyu, B. F., Abbaspour, A., Alimohammadlou, Y., & Tecuci, G. (2021). Landslide susceptibility analyses using Random Forest, C4.5, and C5.0 with balanced and unbalanced datasets. Catena, 203. https://doi.org/10.1016/j.catena.2021.105355

Wakhid, S., Sarno, R., Sabilla, S. I., & Maghfira, D. B. (2020). Detection and classification of indonesian civet and non-civet coffee based on statistical analysis comparison using E-Nose. International Journal of Intelligent Engineering and Systems, 13(4), 56–65. https://doi.org/10.22266/IJIES2020.0831.06

Wijaya, D. R., Sarno, R., & Zulaika, E. (2018). Electronic nose dataset for beef quality monitoring in uncontrolled ambient conditions. Data in Brief, 21, 2414–2420. https://doi.org/10.1016/j.dib.2018.11.091

Wijayanti, S., Kartikadarma, E., & Wulandari, S. A. (2013). Perancangan Enose sebagai Alat Uji Cepat Mutu Beras Aromatik. Seminar Nasional Teknologi Informasi & Komunikasi Terapan 2013 (Semantik 2013), 2013(November), 340–344.

Xu, M., Wang, J., & Zhu, L. (2021). Tea quality evaluation by applying E-nose combined with chemometrics methods. Journal of Food Science and Technology, 58(4), 1549–1561. https://doi.org/10.1007/s13197-020-04667-0