Pendeteksian Kemanisan Buah Mangga (Mangifera Indica L) Menggunakan E-Nose Berbasis Machine Learning

Abstract

Tuntutan akan keterampilan dan pengalaman merupakan faktor kunci dalam memastikan penentuan kematangan buah yang optimal. Kapasitas manusia terbatas, dan pekerjaan yang berkelanjutan tidak memungkinkan. Selain itu, kehilangan fokus dan kelelahan dapat mempengaruhi konsistensi dalam dalam menentukan kematangan buah mangga. Oleh karena itu, penentuan kematangan buah mangga kematangan buah mangga dapat dilakukan dengan menggunakan teknologi yang sudah ada seperti E-Nose. Penggunaan sensor dalam menentukan kematangan buah terbatas pada parameter tertentu, seperti aroma pada E-Nose. Penentuan ini belum memberikan hasil yang signifikan, sehingga perlu dilakukan lebih lanjut dengan menggunakan machine learning. Analisis menggunakan pembelajaran mesin untuk mengolah data mentah menjadi lebih mudah untuk dipahami. Data identifikasi aroma buah mangga diolah dan diolah dan dianalisis menggunakan empat metode machine learning: Regresi Logistik (LR), K-Nearest Neighbor (KNN), Decision Tree Classifier (DTC), dan Support Vector Machine (SVM). Hasil klasifikasi data rasa manis yang berkaitan dengan aroma mangga menunjukkan bahwa E-Nose dapat digunakan untuk memprediksi kadar kemanisan ketika dikombinasikan dengan metode pembelajaran mesin Decision Trees Classifier (DTC), dengan menggunakan perlakuan mangga sebanyak 30g dan 10ml. Metode Decision Trees Classifier (DTC) berkinerja terbaik pada perlakuan mangga 30g dan 10ml, mencapai mencapai persentase akurasi 99,52%. Selain itu, metode pembelajaran mesin KNearest Neighbor (KNN) dan Decision Trees Classifier (DTC) berkinerja baik pada perlakuan 25ml dan 50ml mangga. Metode K-Nearest Neighbor (KNN) dan Decision Trees Classifier (DTC) lebih unggul pada perlakuan mangga 25ml dan 50ml, mencapai persentase akurasi 100%.