OPTIMASI ELECTRONIC NOSE MELALUI PENGONDISIAN TERMAL DAN IRADIASI UV: ANALISIS KINERJA SENSOR MQ DAN TGS DALAM REDUKSI DRIFT DAN KLASIFIKASI AROMA KOPI

SYAWAL ADRIAN SYAH, . (2026) OPTIMASI ELECTRONIC NOSE MELALUI PENGONDISIAN TERMAL DAN IRADIASI UV: ANALISIS KINERJA SENSOR MQ DAN TGS DALAM REDUKSI DRIFT DAN KLASIFIKASI AROMA KOPI. Sarjana thesis, UNIVERSITAS NEGERI JAKARTA.

	Text COVER.pdf Download (926kB)
	Text BAB 1.pdf Download (210kB)
	Text BAB 2.pdf Restricted to Registered users only Download (530kB) | Request a copy
	Text BAB 3.pdf Restricted to Registered users only Download (528kB) | Request a copy
	Text BAB 4.pdf Restricted to Registered users only Download (840kB) | Request a copy
	Text BAB 5.pdf Restricted to Registered users only Download (298kB) | Request a copy
	Text Daftar Pustaka.pdf Download (350kB)
	Text Lampiran.pdf Restricted to Registered users only Download (261kB) | Request a copy

Abstract

Sensor drift pada sistem Electronic Nose (E-Nose) dapat memengaruhi konsistensi respons pada pengukuran berulang. Penelitian ini mengoptimalkan E-Nose berbasis sensor MQ dan TGS melalui pengondisian termal dan iradiasi ultraviolet (UV) untuk reduksi drift dan klasifikasi kopi Gayo Wine dan Toraja. Pengujian dilakukan pada 40°C, 45°C, dan 50°C. Data diproses melalui preprocessing dan ekstraksi fitur, dilanjutkan analisis drift, seleksi Mutual Information Based Filter (MIBF), Principal Component Analysis (PCA), serta klasifikasi SVM dan ANN menggunakan LOOCV. Hasil menunjukkan bahwa kondisi 50°C menghasilkan drift yang lebih terkendali, dengan sebagian besar sensor MQ memiliki Absolute drift di bawah 1,7%. Pada TGS, peak drift TGS2602 menurun dari 12,1% pada 40°C menjadi 1,9% pada 50°C, sedangkan TGS2620 pada Toraja berubah dari −10,15% menjadi 0,7%. MIBF menghasilkan skor tertinggi 0,3977 pada MQ3 dan 0,697 pada TGS2602. Array MQ menghasilkan akurasi 82,5–100%, sedangkan TGS mencapai 100% pada seluruh konfigurasi yang diuji. Reduksi TGS dari sembilan menjadi tiga sensor (66,67%) tetap mempertahankan 94,19% variansi pada dua komponen PCA dan akurasi 100%. SVM menunjukkan efisiensi komputasi lebih baik dibandingkan ANN, dengan runtime yang lebih rendah pada seluruh kondisi pengujian. Hasil ini menunjukkan bahwa pengondisian termal dan UV mendukung pengendalian drift, sedangkan seleksi sensor menghasilkan konfigurasi E-Nose yang lebih ringkas tanpa menurunkan kinerja klasifikasi. ********************************************** Sensor drift can affect the consistency of Electronic Nose (E-Nose) responses during repeated measurements. This study optimized an E-Nose based on MQ and TGS sensors through thermal conditioning and ultraviolet (UV) irradiation for drift reduction and classification of Gayo Wine and Toraja coffees. Measurements were conducted at 40°C, 45°C, and 50°C. The data were processed through preprocessing and feature extraction, followed by drift analysis, Mutual Information Based Filter (MIBF) sensor selection, Principal Component Analysis (PCA), and classification using Support Vector Machine (SVM) and Artificial Neural Network (ANN) with Leave-One-Out Cross-Validation (LOOCV). The results showed that 50°C produced more controlled drift characteristics, with most MQ sensors exhibiting Absolute drift below 1.7%. For the TGS array, the peak drift of TGS2602 decreased from 12.1% at 40°C to 1.9% at 50°C, while TGS2620 for Toraja changed from −10.15% to 0.7%. The highest MIBF scores were 0.3977 for MQ3 and 0.697 for TGS2602. The MQ array achieved classification accuracies of 82.5–100%, whereas the TGS array achieved 100% across all tested configurations. Reducing the TGS array from nine to three sensors (66.67%) retained 94.19% of the variance and maintained 100% accuracy. SVM also demonstrated better computational efficiency than ANN, with lower runtime across all tested conditions. These results indicate that thermal conditioning and UV irradiation support drift control, while sensor selection enables a more compact E-Nose configuration without compromising classification performance.

Item Type:	Thesis (Sarjana)
Additional Information:	1). Dr. rer. nat. Bambang Heru Iswanto, M.Si. ; 2). Haris Suhendar, S.Si., M.Sc.
Subjects:	Sains > Sains, Ilmu Pengetahuan Alam Sains > Fisika Teknologi dan Ilmu Terapan > Teknologi (umum)
Divisions:	FMIPA > S1 Fisika
Depositing User:	Syawal Adrian Syah .
Date Deposited:	13 Aug 2026 04:41
Last Modified:	13 Aug 2026 04:41
URI:	http://repository.unj.ac.id/id/eprint/68549

Actions (login required)

View Item