Analisis Komparasi Kinerja Seleksi Fitur (CFS, LDA, dan OPLS-DA) Pada Electronic Nose Untuk Klasifikasi Mutu Kopi Arabika
Tahun 2026 · Penulis: Ahmad Ghulam Ramadhan Nugroho
Faculty of Computer Science, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/12914
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
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.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,863
Tahun 2025 · Penulis: Ilham Hibatul Wafi
Pengaruh Reduksi Dimensi PCA dan LDA Terhadap Akurasi Klasifikasi Grade Kopi Arabika Berbasis Electronic Nose
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
- Cosine 0,844
Tahun 2025 · Penulis: Firliya Nanda Iqtisadi Walmalia
Implementasi E-Nose Untuk Menentukan Level Roasting Biji Kopi Arabika (Coffea arabica L.) Dan Kopi Robusta (Coffea canephora)
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, mediu
- Cosine 0,843
Tahun 2025 · Penulis: R. Fasich Aulia Pratama Iman
Perbandingan Metode Noise Filtering SG, DWT, FFT pada Klasifikasi Kopi Berbasis E-Nose
Sinyal Electronic Nose (E-Nose) rentan terhadap noise yang dapat menurunkan akurasi klasifikasi kualitas kopi. Penelitian ini bertujuan membandingkan efektivitas tiga metode noise filtering, yaitu Discrete Wavelet Transform (DWT), Fast Fourier Transform (FFT),