Optimasi Akurasi Hidung Elektronik dengan Fitur Ekstraksi Polinomial dan Algoritma Pembelajaran Mesin untuk Autentikasi Kopi Luwak

Nasrul Ihsan, Prof. Dr. Eng. Kuwat Triyana, M.Si.; Wahyono, S.Kom. Ph.D

2025 | Disertasi | S3 Ilmu Fisika

Kopi merupakan salah satu jenis minuman paling populer di dunia, sehingga diperlukan evaluasi kualitas yang menyeluruh untuk memastikan keaslian produk dan memenuhi harapan konsumen. Metode yang sering digunakan dalam industri kopi umumnya bersifat subjektif, memakan waktu, dan membutuhkan biaya tinggi. Karena itu dibutuhkan metode alternatif seperti penggunaan hidung elektronik (e-nose).  

Penelitian ini berfokus pada optimasi akurasi sistem e-nose untuk autentikasi kopi luwak melalui penerapan metode ekstraksi fitur polinomial. Fitur-fitur ini merupakan koefisien polinomial yang diperoleh dari melalui proses curve fitting polinomial terhadap respon sensor. Pendekatan ini dilakukan untuk merepresentasikan pola aroma kopi yang bersifat non-linear secara lebih efektif dibandingkan fitur statistik.

Empat algoritma pembelajaran mesin diterapkan dalam studi ini, yaitu Linear Discriminant Analysis (LDA), Logistic Regression (LR), Quadratic Discriminant Analysis (QDA), dan Support Vector Machines (SVM). Hasil eksperimen menunjukkan bahwa model LDA dengan fitur koefisien polinomial derajat 3 menghasilkan akurasi validasi tertinggi sebesar 0,89 ± 0,04 dan akurasi pengujian sebesar 0,93. Nilai ini lebih tinggi dibandingkan metode berbasis fitur statistik yang hanya mencapai akurasi validasi 0,80 ± 0,07 dan pengujian 0,87.

Kinerja sistem divalidasi lebih lanjut dengan membandingkan hasil klasifikasi e-nose dengan profil senyawa volatil yang diperoleh melalui analisis Gas Chromatography-Mass Spectrometry (GC-MS). Hasil penelitian ini menunjukkan bahwa ekstraksi fitur polinomial secara konsisten meningkatkan kemampuan sistem e-nose dalam membedakan kopi luwak dan non-luwak, serta memiliki potensi sebagai metode autentikasi aroma yang objektif dan efisien.

Coffee is one of the most widely consumed beverages worldwide, requiring rigorous quality evaluation to ensure authenticity and meet consumer expectations. Conventional methods in the coffee industry are often subjective, time-consuming, and costly. As an alternative, this study employs an electronic nose (e-nose).

The research focuses on optimizing the classification accuracy of an e-nose system for civet coffee authentication by applying polynomial feature extraction. These features, derived as polynomial coefficients through curve fitting of sensor responses, are designed to more effectively capture complex non-linear aroma patterns compared to conventional statistical features.

Four machine learning algorithms were evaluated: Linear Discriminant Analysis (LDA), Logistic Regression (LR), Quadratic Discriminant Analysis (QDA), and Support Vector Machines (SVM). Results showed that the LDA model with third-degree polynomial features achieved the highest validation accuracy of 0.89 ± 0.04 and test accuracy of 0.93, outperforming models based on statistical features (validation: 0.80 ± 0.07; test: 0.87).

To further validate performance, e-nose classifications were compared with volatile compound profiles obtained through gas chromatography–mass spectrometry (GC-MS). Findings confirm that polynomial feature extraction consistently enhances the capability of e-nose systems to distinguish civet and non-civet coffee, highlighting its potential as a reliable, objective, and efficient aroma-based authentication method.

Kata Kunci : e-nose, kopi luwak, pembelajaran mesin, ekstraksi fitur polinomial, autentikasi