Adaptasi Sensor Drift pada Electronic Nose untuk Klasifikasi Kopi Campuran Pinang Menggunakan Deep Learning (Constrastive Edge-Labeling Graph Neural Network)

Abstract

Klasifikasi varietas kopi yang dicampur bubuk pinang menggunakan teknologi Electronic Nose sering terkendala oleh fenomena sensor drift yang mengubah distribusi data akibat penuaan sensor dan kompleksitas aroma. Penelitian ini bertujuan mengatasi degradasi performa tersebut menggunakan arsitektur Contrastive Edge-Labeling Graph Neural Network (CEGNN). Metode ini mengintegrasikan Squeeze-and-Excitation Block untuk filtrasi noise adaptif pada sinyal mentah dan menerapkan strategi Few-Shot Learning untuk melakukan adaptasi domain secara efisien dengan memanfaatkan sampel referensi yang terbatas. Evaluasi kronologis menunjukkan bahwa CEGNN mampu mempertahankan rerata akurasi 54,58% dengan standar deviasi 13,90%, secara signifikan mengungguli model GNN baseline yang hanya mencapai 39,58%. Dengan peningkatan kinerja sebesar 15,00% dan laju degradasi performa yang lebih landai, pendekatan ini terbukti efektif dalam memitigasi efek drift serta menjaga stabilitas klasifikasi aroma kopi dalam jangka panjang.