Pengaruh Reduksi Dimensi PCA dan LDA Terhadap Akurasi Klasifikasi Grade Kopi Arabika Berbasis Electronic Nose

Abstract

Penelitian ini berfokus pada pengoptimalan sistem electronic nose (e-nose) untuk mengotomasi proses penilaian mutu (grading) kopi Arabika. Tantangan utama dalam sistem ini adalah data dari banyak sensor yang kompleks dan berpotensi menyebabkan ketidakakuratan model. Sebagai solusi, dikaji penerapan dua teknik inti untuk menyederhanakan data, yaitu Principal Component Analysis (PCA) dan Linear Discriminant Analysis (LDA). Metodologi penelitian diawali dengan akuisisi data aroma dari lima grade kopi Arabika menggunakan e-nose dengan 8 sensor. Data mentah kemudian diproses melalui tahapan ekstraksi ciri, seleksi, dan normalisasi. Dua algoritma machine learning, K-Nearest Neighbors (KNN) dan Support Vector Machine (SVM), digunakan untuk menguji kinerja klasifikasi pada tiga skenario data: data asli, data yang telah direduksi dengan PCA, dan data yang telah direduksi dengan LDA. Temuan kunci penelitian mengungkap bahwa model SVM yang menggunakan data asli tanpa reduksi justru mencapai akurasi tertinggi, yaitu 91,33%. Hasil ini menunjukkan bahwa ciri-ciri asli dari sensor e-nose sudah sangat informatif untuk membedakan grade kopi. Teknik PCA terbukti kompatibel dengan SVM, yang ditunjukkan dengan akurasi yang hampir setara sebesar 90,67%. Temuan ini menegaskan bahwa PCA dapat menjadi pilihan yang efisien untuk menyederhanakan model tanpa mengorbankan akurasi. Di sisi lain, penerapan LDA justru berdampak negatif dan signifikan terhadap kinerja kedua model, yang mengindikasikan ketidakcocokan teknik ini dengan karakteristik data yang ada. Kesimpulan utama penelitian ini menekankan bahwa pemilihan teknik pengolahan data harus disesuaikan dengan algoritma klasifikasi yang dipilih. Implikasi dari temuan ini memberikan panduan praktis bagi pengembangan sistem grading otomatis di industri kopi, di mana penggunaan data asli atau kombinasi SVM dengan PCA dapat diandalkan untuk menjamin keakuratan dan efisiensi.