Komparasi Variasi Fitur Untuk Meningkatkan Akurasi E-Nose Pada Klasifikasi Teh

PHILIPUS FEBRIANO KURNIA PUTRA, Dr. Dyah Aruming Tyas, S.Si ; Dr. Danang Lelono, S.Si., M.T.

2025 | Skripsi | ELEKTRONIKA DAN INSTRUMENTASI

      Teh adalah salah satu komoditas penting di Indonesia dan penilaian kualitasnya krusial untuk harga serta kepuasan pelanggan. Kualitas teh umumnya dinilai dari segi rasa, aroma, dan warna. Untuk aroma, teknologi electronic nose menjadi solusi cepat, murah, dan non invasif untuk mendeteksi aroma teh. 

      Namun, data dari electronic nose sering mengandung outlier atau nilai yang tidak benar karena kesalahan sensor, kelembaban, suhu, atau zat kimia lain. Keberadaan outlier ini dapat menurunkan akurasi model pembelajaran mesin dalam klasifikasi kualitas teh. Salah satu solusi untuk mengatasi masalah tersebut adalah dengan memilih dan mengurangi data fitur agar diperoleh fitur-fitur yang tahan terhadap outlier.

     Penelitian ini bertujuan meningkatkan kinerja sistem electronic nose dengan menerapkan metode seleksi fitur Principal Component Analysis dan Recursive Feature Elimination with Cross Validation untuk klasifikasi kualitas teh. Hasil penelitian ini menunjukkan bahwa klasifikasi kualitas teh menggunakan seluruh fitur memiliki nilai akurasi 85,83% sedangkan klasifikasi menggunakan 18 fitur pilihan RFECV memiliki nilai akurasi 89,85%. Klasifikasi kualitas teh dengan 18 fitur pilihan RFECV berhasil meningkatkan akurasi klasifikasi sebesar 4,02%.  

      Tea is a significant commodity in Indonesia, and quality assessment is crucial for pricing and customer satisfaction. Tea quality is generally determined by taste, aroma, and color. For aroma, electronic nose technology offers a fast, inexpensive, and non-invasive solution for detecting tea aromas.

      However, electronic nose data often contains outliers, or incorrect values, due to sensor errors, humidity, temperature, or other chemical substances. The presence of these outliers can reduce the accuracy of machine learning models used for tea quality classification. One solution to this problem is to select and reduce data features to obtain features that are robust to outliers.

      This research aims to improve the performance of the e-nose system by applying Principal Component Analysis (PCA) and Recursive Feature Elimination with Cross Validation (RFE-CV) feature selection methods for tea quality classification. The research results show that classifying tea quality using all features yielded an accuracy of 85.83%, while classification using 18 RFECV selected features achieved an accuracy of 89.85%. This indicates that classifying tea quality with the 18 RFECV selected features successfully increased classification accuracy by 4.02%.

Kata Kunci : Electronic Nose, kualitas teh, outlier, seleksi fitur