Pengaruh Reduksi Dimensi PCA dan LDA Terhadap Akurasi Klasifikasi Grade Kopi Arabika Berbasis Electronic Nose
Tahun 2025 · Penulis: Ilham Hibatul Wafi
Faculty of Computer Science, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
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.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,873
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 0,863
Tahun 2026 · Penulis: Ahmad Ghulam Ramadhan Nugroho
Analisis Komparasi Kinerja Seleksi Fitur (CFS, LDA, dan OPLS-DA) Pada Electronic Nose Untuk Klasifikasi Mutu Kopi Arabika
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 terjadiny
- Cosine 0,837
Tahun 2018 · Penulis: Febrina Risdianti Isman
Analisis Kemurnian Serbuk Kopi dengan Metode NIR-Kemometrik
Kopi menjadi salah satu tanaman perkebunan yang penting dan memiliki nilai ekonomis tinggi. Produksi kopi merupakan penyokong perekonomian melalui basis produksi bahan-bahan mentah dan basis penyerapan tenaga kerja. Pemahaman terhadap mutu kopi dapat berbeda m