Analisis Komparasi Kinerja Seleksi Fitur (CFS, LDA, dan OPLS-DA) Pada Electronic Nose Untuk Klasifikasi Mutu Kopi Arabika

Abstract

Penggunaan instrumen Electronic Nose (E-Nose) untuk proses klasifikasi mutu kopi Arabika seringkali dihadapkan pada kendala fundamental berupa tingginya dimensi data serta masalah multikolinearitas ekstrem antar sensor. Fenomena tersebut dapat memicu terjadinya curse of dimensionality yang berdampak pada peningkatan beban komputasi dan penurunan akurasi model klasifikasi. Penelitian ini bertujuan untuk mengomparasikan efektivitas tiga metode seleksi fitur dengan paradigma yang berbeda, yaitu pendekatan filter Correlation-Based Feature Selection (CFS), pemisah linear Linear Discriminant Analysis (LDA), dan variabel laten Orthogonal Partial Least Squares Discriminant Analysis (OPLS-DA), guna mengoptimalkan kinerja algoritma klasifikasi Support Vector Machine (SVM) ber-kernel RBF. Pengambilan data dilakukan menggunakan delapan sensor gas pada lima grade kopi Arabika. Sinyal mentah diproses melalui tahap denoising Discrete Wavelet Transform (DWT), ekstraksi tiga fitur statistik dominan (Rata-rata, Standar Deviasi, Skewness ), dan normalisasi Z-Score. Berdasarkan hasil pengujian dengan skema pembagian data latih, validasi, dan uji sebesar 70:15:15, metode OPLS-DA terbukti menjadi pendekatan yang paling superior dan stabil. Dengan menyeleksi tujuh fitur paling esensial (VIP > 1.0), metode OPLS-DA berhasil mencapai tingkat akurasi tertinggi sebesar 97,33%, dengan nilai Presisi, Recall , dan F1-Score yang seimbang di angka 0,9733. Sebaliknya, metode LDA yang menerapkan teknik penyusutan ( shrinkage ) mencapai akurasi 90,67%, sedangkan metode CFS gagal menangani data berkorelasi tinggi dengan hanya menyisakan satu fitur sehingga akurasi anjlok menjadi 45,33%. Kesimpulannya, metode OPLS-DA sangat direkomendasikan karena secara matematis mampu mereduksi redundansi dan memisahkan noise ortogonal secara optimal tanpa menghilangkan informasi karakteristik aroma kopi.