Pengembangan Sistem Electronic Nose Berbasis Artificial Neural Network Untuk Klasifikasi Kopi Asli dan Kopi Instan

Shafa Khamila, Dr. Danang Lelono, S.Si., M.T; Oskar Natan, S.ST., M.Tr.T., Ph.D.

2025 | Skripsi | ELEKTRONIKA DAN INSTRUMENTASI

Kekeliruan dalam membedakan aroma kopi Arabika asli dan Arabika instan masih kerap terjadi, terutama saat penilaian bergantung pada persepsi manusia. Penelitian ini menjawab pertanyaan bagaimana merancang sistem electronic nose berbasis Artificial Neural Network yang mampu membedakan kedua aroma secara objektif, akurat, dan efisien secara komputasi guna menekan potensi salah identifikasi.

Metode yang diusullkan memanfaatkan larik sensor gas dengan pola akuisisi inhale-exhale. Sinyal diproses berurutan dengan low-pass Butterworth orde-2 dengan fc = 1 Hz, normalisasi per kanal pada domain waktu, lalu diekstraksi lima fitur statistik, yaitu minimum, maximum, mean, skewness, dan kurtosis. Fitur kemudian distandardisasi dan data dipisah secara stratifikasi 70% latih dan 30% uji. Tujuh variasi masukan dibandingkan, diikuti uji seleksi sensor pada tiga kandidat teratas. Model final menggunakan input all-5 tanpa seleksi sensor, dengan MLP dua hidden layer (64, 16) dan koefisien regularisasi L2 = 1e-3.

Hasil menunjukkan F1 = 86,0%, akurasi = 84,3%, presisi = 78,1%, dan recall = 96,1% pada set uji. Latensi inferensi < 0>size < 0>deployment sistem di edge device. Penelitian ini juga menunjukkan bahwa kualitas representasi masukan lebih menentukan dibanding menambah kompleksitas arsitektur dan seleksi sensor agresif tidak konsisten memberi keuntungan pada data ini.

Human perception often misidentifies the aromas of real Arabica and instant Arabica coffee. This study explains how to design an electronic nose with an Artificial Neural Network that discriminates the two aromas objectively, 

accurately, and with low computational cost to reduce misclassification in practice.

This study employs a gas-sensor array with an inhale-exhale protocol. The signal pipeline started with second-order Butterworth low-pass 1Hz, per-channel time-domain normalization, and five statistical features, which are minimum, maximum, mean, skewness, and kurtosis. Features are standardized and data are split 70% train and 30% test with stratification. Seven input variants are compared, followed by sensor-selection tests on the top 3 candidates. The final model uses all-5 without sensor-selection with an MLP of two hidden layers (64, 16) and L2 regularization = 1e-3.

On the test set, the model achieves F1 = 86,0%, accuracy = 84,3%, precision = 78,1%, and recall = 96,1%. Inference latency is <0>

Kata Kunci : Electronic Nose, ANN, Signal Preprocessing, Feature Extraction, Coffee Classification