Implementasi E-Nose Untuk Menentukan Level Roasting Biji Kopi Arabika (Coffea arabica L.) Dan Kopi Robusta (Coffea canephora)

Abstract

Penyangraian merupakan salah satu proses penting dalam menentukan kualitas akhir biji kopi. Penyangraian mempengaruhi karakteristik aroma dan rasa kopi yang dihasilkan. Proses penyangraian diklasifikasikan menjadi tiga tingkat sangrai, yaitu light roast, medium roast, dan dark roast. Umumnya, penentuan derajat sangrai biji kopi dilakukan secara subjektif melalui pengamatan visual oleh manusia dengan melihat warna biji kopi dari hasil penyangraian. Untuk menambah nilai akurasi pada penentuan derajat sangrai dapat dilakukan dengan menggunakan indikator tambahan berupa aroma pada biji kopi. Sebagai indikator pelengkap, salah satu teknologi yang dapat diterapkan yaitu dengan menggunakan teknologi e-nose. Penelitian ini mengimplementasikan sistem electronic nose (e-nose) yang dilengkapi dengan 9 sensor gas tipe MQ serta menggunakan 5 algoritma machine learning untuk melakukan klasifikasi derajat sangrai pada biji kopi. Proses pengumpulan data dilakukan dengan penyangraian biji kopi arabika dan biji kopi robusta menggunakan mesin sangrai tipe A500i dengan 3 tingkat penyangraian, yaitu light roast, medium roast, dan dark roast. Selanjutnya dilakukan akuisisi data dengan menggunakan e-nose yang terdiri dari 9 sensor gas tipe MQ. Akuisisi data dimulai dari warming up, sensing, dan cleaning pada sampel kopi arabika dan robusta yang telah disangrai pada tingkat sangrai berbeda. Nilai output sensor gas yang dikumpulkan kemudian digunakan sebagai atribut input untuk pelatihan model klasifikasi menggunakan lima algoritma machine learning, yaitu Support Vector Machine (SVM), Decision Tree (DT), K-Nearest Neighbour (KNN), Random Forest (RF), dan Artificial Neural Network (ANN). Data kemudian dibagi menjadi 80% untuk training dan 20% untuk testing. Sebelum proses klasifikasi, data distandarisasi menggunakan metode Z-score untuk memastikan distribusi data yang seimbang dan meningkatkan akurasi model. Hasil klasifikasi menunjukkan bahwa algoritma RF dan ANN memberikan akurasi tertinggi dalam menentukan derajat sangrai kopi arabika dan robusta, algoritma RF dan ANN pada klasifikasi kopi arabika sebesar 82% dan 85% pada algoritma RF klasifikasi kopi robusta. Hal ini menunjukkan kemampuan kedua algoritma tersebut dalam menangani pola data kompleks dan non-linear yang dihasilkan dari e-nose. Evaluasi kinerja masing-masing algoritma juga dilakukan dengan metode confusion matrix yang menghasilkan metrik presisi, recall, dan f1- score. Pada klasifikasi kopi arabika, algoritma RF dan ANN menunjukkan kinerja terbaik dengan akurasi 82%, sedangkan untuk kopi robusta, RF menghasilkan akurasi tertinggi sebesar 85%. Hasil evaluasi kinerja confusion matrix juga ditampilkan dalam bentuk heatmap yang menampilkan nilai tp, fp, tn dan fn. Pada visualisasi hasil evaluasi terlihat jumlah prediksi data yang benar dan jumlah kesalahan klasifikasi yang tidak sesuai dengan kelasnya. Performa algoritma dapat dilihat dari jumlah data yang diprediksi benar dan kesalahan yang ada pada model.