SISTEM DETEKSI KEMATANGAN BUAH MANGGA MENGGUNAKAN

SENSOR GAS LOW-COST BERBASIS MACHINE LEARNING

Untuk memenuhi tugas Research Based Learning (RBL) mata kuliah FI6271 Elektronika Industri

Aji Insan Kamil 20221022

Program Studi Fisika

Fakultas Matematika dan Ilmu Pengethuan Alam

Institut Teknologi Bandung

2022
Abstrak

Buah mangga merupakan buah yang banyak ditemui di daerah beriklim tropis, Buah ini memiliki
karakteristik rasa yang menarik serta memiliki kandungan gizi dan juga aroma yang khas.
Umumnya kematangan buah dilihat dari bentuk dan warnanya, padahal banyak juga kondisi
buah mangga yang memiliki bentuk dan warna seperti sudah matang namun ternyata belum, atau
bahkan sebaliknya. Di sisi lain, proses pematangan buah juga ditandai dengan emisi gas-gas
seperti etilen, nitrogen oksida, hidrogen sulfida, hingga volatile organic compounds (VOCs).
Oleh karena itu, perlu dirancang sebuah sistem deteksi kematangan dengan sensor aroma dengan
Arduino untuk pengambilan data, kemudian diolah menggunakan machine learning untuk proses
klasifikasi kematangan buah. Data yang telah diambil dari sensor akan ditampilkan pada
Arduino, kemudian data tersebut akan diproses oleh machine learning untuk mendapatkan
prediksi dari kematangan buah. Sensor yang digunakan pada penelitian ini adalah MQ2 dan
MQ3, Arduino Uno serta Machine Learning yang dievaluasi berupa Logistic Regression (LR),
Support Vector Machine (SVM), dan K-Nearest Neighbor (KNN). Dari ketiga algoritma yang
digunakan, LR menghasilkan akurasi sebesar 70,4%, SVM sebesar 75%, dan KNN sebesar 93%.

Kata Kunci: Kematangan Buah, Machine Learning, Sensor Gas.

PENDAHULUAN

Buah mangga adalah buah yang berasal dari daerah dengan iklim tropis dan memiliki
karakteristik rasa yang kaya, kandungan gizi yang baik, serta aroma yang khas. Indonesia
merupakan salah satu negara penghasil buah mangga terbesar di dunia dengan produksi
mencapai 2,4 juta ton mangga per tahun (Murad et al., 2022; Sudana et al., 2019). Meskipun
demikian, produksi buah mangga di Indonesia masih dilakukan secara tradisional karena belum
banyaknya teknologi yang kembangkan untuk pembudidayaan dan proses produksi buah Mangga
untuk mengoptimalkan produksi Mangga (Sudana et al., 2019).

Salah satu bagian dalam produksi buah yang dapat dibantu oleh teknologi adalah
penentuan kualitas buah, salah satunya kematangan buah. Kematangan buah sangat dipengaruhi
oleh proses penuaan pada buah. Penuaan pada buah mengacu pada tahap pertumbuhan tanaman
yang akan melebihi puncak kematangan dan mulai memasuki tahap kerusakan sel yang
ireversibel. Selama tahap ini, buah-buahan mengeluarkan emisi berbagai gas seperti etilen,
nitrogen oksida (NO), hidrogen sulfida (H2S), esters, alkohol, hingga volatile organic
compounds (VOCs) (Huang, Mukherjee, Zain). Dengan demikian, pemantauan aroma buah-
buahan berdasarkan emisi gas yang dihasilkan dapat memberikan indikasi kematangan suatu
buah [Alam].

Salah satu cara yang memungkinkan utuk merasakan volatil aromatik yang dilepaskan
oleh buah adalah penggunaan hidung elektronik (e-nose) (Aghilinategh et al., 2020). E-nose
adalah suatu perangkat yang berisi susunan sensor yang dapat mengevaluasi berbagai zat kimia
dalam campuran aroma yang dihasilkan. Pengembangan e-nose untuk berbagai keperluan telah
banyak dilakukan, termasuk untuk pendeteksian gas yang dihasilkan oleh buah-buahan (Baietto
& Wilson, 2015; Murad et al., 2022; Zain et al., 2021). Adapun sensor yang digunakan dapat
berupa sensor pendeteksi gas khusus seperti etilen (Geethapriya & Praveena, 2017) maupun
sensor multigas (Aghilinategh et al., 2020; Murad et al., 2022; Zain et al., 2021). Sistem e-nose
yang ada dikembangkan dengan algoritma machine learning khusus untuk keperluan klasifikasi
seperti jaringan saraf tiruan (Artificial Neural Network, ANN), Principal Componen Analysist
(PCA), analisa diskriminan linier (Linear Discriminant Analysist, LDA), Linear Regression,
Logistic Regression, Decision Tree, Support Vector Machine (SVM), K-Nearest Neighbor
(KNN), dan Extreme Learning Machine (Aghilinategh et al., 2020; El-Bendary et al., 2015;
Koklu & Ozkan, 2020; Liakos et al., 2018; Najiah & Hariyanti, 2020; Worasawate et al., 2022)).

Pada penelitian ini, akan dikembangkan suatu sistem pendeteksi kematangan buah
mangga menggunakan sensor gas low-cost yang terintegrasi sehingga dapat menentukan
kematangan buah mangga secara real time, non-destruktif dan in-situ. Selain itu, algoritma
penentuan kematangan buah menggunakan machine learning akan dibandingkan untuk
menentukan algoritma terbaik dalam pengklasifikasian kematangan buah.

TINJAUAN PUSTAKA

Sensor Suhu
Thermistor, sebuah resistor yang sensitif terhadap suhu, merupakan alat elektronik yang
mendeteksi perubahan suhu lingkungan untuk digunakan dalam pengukuran suhu dan kontrol [1].
Thermistor secara umum dibagi ke dalam dua jenis berdasarkan perubahan hambatan terhadap
suhu, yaitu NTC dan PTC. NTC (Negative Temperature Coefficient) adalah thermistor yang nilai
hambatannya berkurang seiring bertambahnya suhu di sekitarnya[2].

Gambar 1. Kurva karakteristik NTC[2].

Penguat Instrumentasi

Justin Bauer (2015) mengatakan bahwa penguat instrumentasi adalah sebuah rangkaian
terintegrasi (IC) yang digunakan untuk memperkuat sinyal. Penguat ini termasuk ke dalam jenis
penguat diferensial karena menguatkan selisih di antara dua sinyal masukan, tetapi terdapat
perbedaan dalam menghalau noise atau sinyal yang tidak diinginkan, kemampuan tersebut
disebut Common-Mode Rejection Ratio (CMRR)[3].

3
Justin Bauer. 2015. Design of an Instrumentation Amplifier.[pdf].
https://www.electronics-tutorials.ws/io/thermistors.html. Diunduh pada 25/4 18. 40
 Gambar 2. Rangkaian penguat Instrumentasi[3].

Kontrol PID

Kontroler PID (Proportional – Integral – Derivative Controller), adalah sebuah kontrol sistem
tertutup (kontrol mekanisme umpan balik). Kontroler PID bekerja dengan menghitung nilai
galat, selisih antara titik acu (setpoint) dan variabel proses terukur (dalam konteks ini: suhu). Di
dalam kontrol PID terdapat term Proportional, Integral, dan Derivative yang masing-masing
memiliki peran tertentu dalam sistem kontrol tersebut. Untuk mengatur plant dalam sistem
kontrolnya agar mencapai titik acu yang diinginkan, digunakan PWM (Pulse-Width Modulation).
PWM adalah suatu teknik untuk mendapatkan sinyal analog dalam bentuk digital, kontrol digital
tersebut digunakan untuk membuat sinyal dapat beralih ON/OFF.

Gambar 3. Blok diagram kontrol PID. (https://www.dewesoft.com/pro/course/pid-control-53).

Komunikasi HTTP
Hypertext Transfer Protocol (HTTP) adalah sebuah protokol dari layer aplikasi pada protokol internet
untuk model sistem informasi yang terdistribusi, kolaboratif, dan bersifat hypermedia [6]. HTTP
berfungsi sebagai protokol request-response di dalam model client-server. Pada protokol ini, komukasi
dilakukan dengan cara klien mengirimkan pesan permintaan (request) kepada server. Lalu, server,
sebagai penyedia sumber daya memberikan pesan respons kepada klien yang dapat berisikan informasi
status keberhasilan permintaan.

Untuk melakukan komunikasi antara klien dan server dibutuhkan sebuah jaringan koneksi
transpor untuk tukar-menukar data antara klien dan server [8]. Salah satu koneksi transpor yang dapat
digunakan dalam komunikasi HTTP adalah koneksi TCP/IP yang menggunakan port. Data akan ditukar
melalui sebuah pesan request-response sekuensial yang ditukarkan oleh koneksi transpor. Klien HTTP
akan mencoba untuk terhubung dengan server untuk mendirikan jaringan komunikasi. Setelah
terhubung, server HTTP akan memantau port yang telah disetujui untuk berkomunikasi dan menunggu
permintaan dari klien. Ketika server menerima permintaan dari klien, server akan memberikan pesan
respons yang berisikan sumber daya yang diminta, ataupun informasi lainnya. Koneksi antara klien-
server ini dapat ditutup kapan saja dengan mengirimkan pesan untuk menutup koneksi baik menuju
klien ataupun menuju server.

Pada penelitian ini, kami menggunakan komunikasi HTTP antara klien (sistem pemanas
terkontrol) dan server (Thingspeak) untuk mengirimkan data dan menerima data. Koneksi dibangun
dengan menghubungkan mikrokontroler dengan Thingspeak berdasarkan API key yang telah dibangun di
Thingspeak untuk menerima data dari sistem. Lebih jauh lagi, data dikirim secara khusus ke channel
yang telah dibuat juga sebelumnya di Thingspeak.

RANCANG BANGUN ALAT DAN MODEL MATEMATIS

Akan didesain dan dibangun sebuah alat ukur dan kontrol suhu dengan rentang suhu di antara 0-
60 °C dengan menggunakan sensor berupa termistor NTC. Keluaran NTC yang berupa nilai
resistansi yang bergantung suhu perlu dikonversi ke besaran lain yang lebih mudah untuk
direkayasa, dalam hal ini nilai resistasi akan diubah menjadi nilai tegangan. Konversi ini dapat
dilakukan dengan mengalirkan arus listrik ke NTC sehingga akan ada beda tegangan di antara
kedua kaki sensor. Namun, rangkaian sederhana seperti ini tidak mampu mendeteksi perubahan
kecil yang terjadi sehingga diperlukan sebuah rangkaian yang mampu mendeteksi perubahan
sekecil mungkin. Salah satu rangkaian yang dapat digunakan adalah rangkaian jembatan
seperti yang ditunjukkan oleh gambar 4.

Gambar 4. Rangkaian jembatan yang digunakan untuk mengubah resistansi pada NTC menjadi beda tegangan.
Rangkaian ini juga digunakan agar sistem sensor ini dapat menghasilkan tegangan 0 V saat T = 0 °C.

RT
V a= ×V ref , (1)
RT + R1

R2
V b= × V ref , (2)
R2 + R1

keluaran dari rangkaian tersebut berupa beda tegangan antara Va dan Vb, dengan nilai Va danb
masing-masing diberikan oleh persamaan (1) dan (2). Untuk membuat beda tegangan bernilai 0
pada suhu 0 °C, nilai R2 perlu disesuaikan dengan nilai RT=0 sehingga digunakan potensiometer.
Saat suhu bertambah, maka nilai R T = R2 + Δ, dengan Δ adalah perubahan nilai resistansi R T.
Akibatnya, persamaan (1) menjadi

R2 +∆ R2 + ∆
V a= ×V ref = ×V ref , untuk ∆ ≪, (3)
R2 + ∆+ R1 R 2+ R 1

Jika didefinisikan Vout adalah beda tegangan antara Va-Vb, maka

 ∆
V out = × V ref . (4)
R2 + R1

Selanjutnya, keluaran tegangan ini perlu disesuaikan nilainya agar mampu dibaca secara
maksimal oleh analog-to-digital converter (ADC). Masukkan ke ADC yang diinginkan adalah
tegangan dengan rentang 0 – 5V untuk dikonversi menjadi sinyal digital dan diolah oleh
mikrokontroller. Untuk mendapatkan nilai ini, sinyal keluaran dari rangkaian jembatan
sebelumnya perlu dikuatkan. Salah satu penguat yang mampu menghasilkan keluaran yang stabil
adalah penguat instrumentasi. Pada penelitian kali ini, digunakan penguat instrumentasi
AD620 yang memiliki rangkaian seperti pada gambar 2 dengan nilai penguatan diberikan oleh
persamaan berikut [4]:

49.4 kΩ
G= +1 , (5)
RG

49.4 kΩ
RG = , (6)
G−1

dengan ini, nilai tegangan dapat disesuaikan sehingga diperoleh tegangan 0 – 5V untuk rentang
suhu 0 – 60 °C.

Nilai tegangan 0 – 5V yang telah diperoleh akan dikonversikan menjadi sinyal digital
untuk diolah oleh mikrokontroler. Kami menggunakan mikrokontroler ATMega328 yang
memiliki ADC 10-bit. Namun, ADC yang merupakan bawaan dari mikrokontroler biasanya
memiliki kestabilan dan kepresisian yang kurang baik sehingga pada penelitian ini kami
menggunakan ADC eksternal yang lebih stabil dengan tingkat kepresisian yang lebih baik berupa
ADS1015 yang merupakan ADC 12-bit.

Setelah dilakukan konversi dari tegangan atau sinyal analog mejadi sinyal digital oleh
mikrokontroler, selanjutnya dibangun sebuah algortima kontrol PID untuk mengatur PWM untuk
mengatur daya pada pemanas listrik sehingga suhu lingkungan (dalam hal ini air) dapat
dipertahankan pada nilai titik acu yang diinginkan. PWM digunakan untuk mengatur duty cycle
pemanas sehingg daya yang digunakan teratur pada nilai tertentu dengan bantuan relay yang
kami set pada mode Normally Open (NO). Dalam kontrol ini, mikrokontroler mendapatkan
umpan balik (feedback) dari sensor.
SISTEM PEMANAS TERKONTROL

Gambar 5. Sistem pemanas terkontrol secara keseluruham yang terdiri dari power supply, plant, signal
conditioning, mikrokontroler, user interface, dan komunikasi internet.

Sistem secara keseluruhan ditunjukkan oleh gambr 5. Sistem dikelompokkan menjadi beberapa bagian:
signal conditioning, plant, Internet, power supply, dan user interface. Pada bagian power supply
terdapat rangkaian full-wave rectifier yang berisikan transformator, dioda bridge, dan regulator
tegangan LDO berupa LM317 dan AMS1117 untuk menghasilkan tegangan keluaran positif dan regulator
tegangan LDO LM337 untuk menghasilkan tegangan negatif. Keluaran pada bagian ini berupa tegangan
+10V dan – 10V yang digunakan sebagai sumber daya penguat instrumentasi AD620. Selain itu, terdapat
keluaran tegangan +5V yang digunakan sebagai sumber daya mikrokontroler, LCD, relay, dan ADC 12 bit
ADS1015, serta tegangan +3,3V dari AMS1117 yang digunakan sebagai sumber daya modul wifi
ESP8266. Regulator-regulator ini digunakan karena merupakan regulator tegangan LDO yang memiliki
tingkat kestabilan yang baik.

Selanjutnya, pada bagian signal conditioning, terdapat beberapa komponen penyusun, yaitu
sensor NTC, rangkaian jembatan, penguat instrumentasi, dan ADC 12 bit seperti yang telah dijelaskan
pada bagian sebelumnya. Lalu, pada bagian plant terdapat heater listrik yang dikontrol oleh
mikrokontroler dengan bantuan relay. Pada bagian user interface (UI) terdapat 3 komponen yang
digunakan, Keypad 4x4 digunakan sebagai komponen yang memberikan masukkan ke mikrokontroler,
LCD sebagai komponen yang memberikan masukkan kepada user, dan PC yang dapat bertindak sebagai
keduanya. Terakhir, terdapat bagian internet yang berfungsi untuk menghubungkan sistem dengan
internet dan mengirimkan data ke Thingspeak melalui komunikasi HTTP.

Cara kerja sistem ini adalah sebagai berikut:

1. Ketika sistem dinyalakan, sistem akan memulai serangkaian persiapan dan menghubungkan
sistem dengan wifi.
2. Setelah terhubung, sistem akan menunggu masukkan suhu titik acuan dari user. Pada tahap ini
user akan memberikan masukkan dengan cara menekan tombol angka pada keypad sesuai titik
acu yang diinginkan, misal ‘40’, setelah selesai memasukkan titik acu, user harus menekan
tombol ‘#’ sebagai acuan agar sistem menjalankan kontrol.
3. Selanjutnya, sistem akan menjalankan sistem kontrol PID dan mengirimkan nilai suhu terukur ke
Thingspeak secara bersamaan dan dilakukan seterusnya hingga ada masukkan lain.
4. Apabila user ingin mengubah nilai titik acu, user harus menekan tombol ‘A’, ‘B’, ‘C’, ‘D’ atau ‘*’
untuk menghentikan kontrol sistem, selanjutnya user dapat mengulangi tahap 2 dan 3 untuk
titik acu yang baru.
HASIL DAN PEMBAHASAN

Karakterisasi Sensor

Karakterisasi sensor dilakukan untuk menentukan sensor mana yang paling tepat digunakan
untuk mendeteksi buah mangga baik yang masih mentah, matang ataupun sudah busuk. Setelah
dilakukan pengambilan data dari beberapa sensor diperoleh data karakterisasi sebagai berikut.

Gambar 6. Respons berbagai sensor terhadap aroma buah mangga.

Pada percobaan karakterisasi ini digunakan sembilan tipe sensor dari jenis sensor MQ-Series,.
Seperti ditunjukkan oleh Gambar 6, terlihat bahwa MQ2 dan MQ3 yang memberikan respons
terhadap aroma buah mangga, sedangkan yang lain tidak terlihat perubahannya pada grafik yang
dihasilkan.

Lalu dilakukan pengambilan data untuk menunjukkan pembacaan sensor sebanyak 12 kali
pengulangan untuk masing-masing mangga matang, mentah dan busuk. Hal ini dilakukan untuk
menguji apakah sensor yang kita gunakan masih bekerja baik atau tidak sehingga diperoleh nilai
setiap pengukuran seperti yang ditunjukkan oleh Tabel 1 dan Tabel 2 untuk sensor MQ2 dan
MQ3, secara berurutan.

Tabel 1. Data karakterisasi sensor MQ2 dengan 12 kali percobaan setiap pengambilan data 5
detik setelah kondisi steady.

10
MQ P1 P2 P3 P4 P5 P1-
2 P5

11
1 40 40 40 40 41 8
2 4 6 5 0

2 33 33 33 33 33 7
1 4 6 7 8

3 38 38 38 38 39 8
2 4 7 7 0

4 32 32 33 33 33 11
6 8 3 5 1

5 34 34 35 35 34 3
7 7 0 0 7

6 34 34 35 35 35 7
4 4 0 0 1

7 36 36 36 36 36 2
3 4 5 4 5

8 36 36 36 36 37 2
9 9 8 8 0

9 29 29 30 30 30 9
7 9 1 5 6

10 28 28 28 27 27 9
5 1 0 8 4

11 27 27 28 27 27 9
9 4 3 9 7

12 32 32 32 32 32 6
3 5 5 4 9

Rata-Rata Range 6,7

5

12
Tabel 2. Data karakterisasi sensor MQ3
dengan 12 kali percobaan setiap
pengambilan data 5 detik setelah kondisi
steady.

MQ P1 P2 P3 P4 P5 P1-
3 P5

1 19 19 19 19 19 5
1 4 4 3 6

2 20 20 20 20 20 6
2 5 7 8 8

3 19 19 19 19 20 11
4 5 6 7 5

4 18 18 18 19 19 5
7 8 9 2 0

5 17 17 17 18 18 5
7 9 9 2 1

6 17 18 18 18 18 5
9 1 2 4 1

7 18 18 18 18 18 1
1 2 1 2 2

8 19 18 18 18 18 9
4 5 7 7 8

9 18 18 18 18 18 3
0 0 2 2 3

10 20 21 22 21 22 18

13
 7 5 5 6 2

11 18 19 19 19 19 3
9 1 0 2 2

12 16 17 17 17 17 4
7 0 0 1 0

Rata-Rata Range 6,2

5

Data diatas diperoleh dari nilai rata-rata data yang sudah steady setiap kali pengambilan data.
Kemudian data yang telah steady ini disatukan di suatu sheet dengan pelabelan nama “Matang”,
“Mentah” dan “Busuk” untuk kemudian diproses di Machine Learning.

Berdasarkan data yang ditampilkan memiliki rata rata range yang kecil dimana MQ2 rata-ratanya
6,75 sedangkan MQ3 rata-ratanya 6,25. Maka dengan nilai tersebut dapat terlihat bahwa sensor
masih bekerja dengan baik.

Preparasi Data

Untuk pengerjaan preparasi data ini digunakan beberapa langkah pengerjaan yaitu data dicek
terlebih dahulu beberapa nilai statistic dan kebiasaan datanya seperti: pengecekan jumlah data,
mean, standard deviasi(STD), nilai minimum dan maksimum serta nilai dari Quartil 1 (Q1),
Quartil 2(Q2) dan Quartil 3(Q3) dari data yang kita masukkan. Awalnya data yang diolah
berjumlah 3004 data. Kemudian data yang memiliki nilai duplikat di hapuskan sehingga tidak
terjadi percampuran data yang membuat bingung machine learning dalam menentukan
klasifikasi yang diinginkan. Setelah dihilangkan data duplikatnya diperoleh data yang diolah
menjadi 1853 data. Adapun nilai parameter statistik yang dihasilkan ditampilkan pada Tabel 3
dan Tabel 4, masing-masing untuk sebelum dan setelah penghilangan data duplikat.

Tabel 3. Parameter statistik data manga sebelum dihilangkan data duplikatnya.

Sens Me ST M M Q Q Q

14
 or an D in ax 1 2 3

MQ 27 50 3 3 4
382 52
2 3 3 3 8 2
,6 ,8
8 3 6

MQ 16 33 1 1 2
207 30
3 5 9 8 9 1
,9 ,4
7 7 9

Tabel 4. Parameter statistik data manga setelah dihilangkan data duplikatnya.

Sens Me ST M M Q Q Q
or an D in ax 1 2 3

MQ 27 50 3 3 4
383 53
2 3 3 3 8 2
,5 ,9
4 9 7

MQ 16 33 1 2 2
211 32
3 5 9 8 0 2
,2 ,6
9 2 3

Untuk data latih yang digunakan setelah dihilangkan duplikatnya berjumlah 684 data Matang,
650 Busuk, dan 519 data Mentah. Berdasarkan data tersebut, maka rasio data menjadi tidak
seimbang di mana mangga matang 36,93%, busuk 35,07% dan mentah 28%. Karena
ketidakseimbangan tersebut perlu dilakukan evaluasi machine learning dengan menggunakan
recall, presisi dan akurasi data. Kemudian setelah dilakukan evaluasi tersebut didapatkan data
evaluasi yang digunakan sebanyak 163 baris dan data ini akan digunakan untuk melihat performa
dari machine learning untuk memprediksi. Pada data prediksi sendiri terdiri dari data mentah
sebanyak 29 baris dan data matang sebanyak 134 baris.

15
Kemudian data dengan katagori mentah akan diubah menjadi nilai 1, matang bernilai 2 dan
busuk bernilai 0. Hal ini dilakukan agar machine learning dapat menebak dengan baik bahwa
mangga matang memiliki nilai bobot yang paling tinggi dibandingkan yang lainnya.

Gambar 7. Korelasi antar sensor dengan target.

Selanjutnya ditampilkan nilai korelasi di mana nilai ini menampilkan seberapa kuat hubungan
korelasi antar data. Diketahui dari Gambar 7 bahwa sensor MQ3 memiliki data korelasi yang
lebih tinggi dengan data target (matang, mentah, busuk) jika dibandingkan dengan korelasi
antara data sensor MQ2 dengan data target. Korelasi antar sensor bernilai nol, sedangkan antar
sesama data yang sejenis bernilai 1.

Proses Pengolahan Data

Selanjutnya data yang sudah disiapkan tadi di plot dalam bentuk pairplot di mana tujuannya
adalah untuk melihat sebaran data serta distribusi data yang diolah. Data sebaran diplot
menggunakan scatter plot dan data distribusi dibuat dalam bentuk density plot seperti yang
ditunjukkan oleh Gambar 8.

Perbedaan warna menunjukkan keterangan dari data target, di mana data matang ditandai dengan
kurva yang berwarna gelap, sedangkan merah untuk data mentah, dan krem untuk yang busuk.
Dari data scatter diperoleh informasi bahwa antar target data sudah terpisahkan satu sama lain,
namun untuk density nya MQ2 menunjukkan bahwa data matang memiliki 3 puncak begitupula

16
untuk data mentah dan data busuk. Sedangkan pada MQ3, sebaran data mangga mentah dan
busuk memiliki distribusi pola yang puncak yang mirip, namun untuk data matang memiliki 2
puncak yang dengan distribusi yang berbeda dari data mentah dan busuk. Adapun distribusi di
atas juga merupakan distribusi data gabungan dari data train dan data uji, dimana data train
sebesar 80% dan data uji 20%.

Gambar 8. Pairplot distribusi dan sebaran data olahan untuk mangga busuk, mentah dan matang.

Setelah melakukan plot data, dilakukan proses lain yang digunakan untuk membuang data outlier
menggunakan metode jangkauan interquartile. Metode ini digunakan untuk memfilter data yang
berada diluar nilai kuartil 1 dan kuartil 3. Pada data train awalnya berjumlah 1482 baris sebelum
dibuang data outliernya dan setelah dibuang tersisa 1417 baris. Lalu data evaluasi sebelum
dibuang outliernya berjumlah 371 baris dan setelah dibuang tersisa 345 baris. Proses ini
digunakan agar persebaran data yang dihasilkan akan lebih baik lagi.

Selanjutnya ditampilkan confusion matrix dari data prediksi pada Gambar 9. Terdapat true
positif bahwa KNN mampu menebak sebanyak 134 baris mangga matang dan data aktualnya
sebanyak 134 baris mangga matang. Kemudian Prediksi KNN juga berhasil menebak sebanyak
29 baris mangga mentah dengan data aktualnya sebanyak 29 data mentah, yang mana data ini
dikenal dengan istilah true negative.

17
Gambar 9. Confusion Matrix untuk data prediksi.

Sementara itu, confusion matrix untuk KNN pada data evaluasi ditunjukkan oleh Gambar 10.
Pada data evaluasi, KNN berhasil menebak mangga matang sebanyak 111 baris dengan data
actual mangga sebanyak 111 baris pula, disebut true positif mangga matang. Kemudian mangga
mentah dengan prediksi actual dan aktualnya berjumlah 96 baris, true positif mangga mentah,
dan data busuk sebanyak 115 baris, true positif mangga busuk. Untuk kondisi prediksi mangga
matang sedangkan aktualnya adalah mentah ataupun busuk dikenal sebagai false positif bernilai
0, namun, untuk prediksi mangga mentah dan busuk ternyata aktualnya adalah mangga matang
totalnya berjumlah 8 baris yang dikenal sebagai false negative.

Pemilihan Model Machine Learning

Selanjutnya dilakukan pemilihan jenis Machine Learning yang paling baik untuk digunakan
dalam permasalahan yang kita hadapi kali ini, dipilihlah beberapa tipe machine learning seperti
Logistic regression, support vector machine, dan K-Nearest Neighbor (KNN). Setelah dilakukan
evaluasi maka diperoleh data pada dan Tabel 6untuk data evaluasi dan data prediksi.

18
Gambar 10. Confusion Matrix untuk data evaluasi.

Tabel 5. Presentasi akurasi, recall dan presisi data latih sebelum evaluasi.

N Model Akuras Recal Presis

o ML i l i

1 Logistic
64,2
Regressio 64,2% 63,6%
%
n

2 Support
Vector 69% 69% 67,8%
Machine

3 KNN 93% 93% 93%

Tabel 6. Presentasi akurasi, recall dan presisi data latih setelah evaluasi.

N Model Akuras Recal Presis

o ML i l i

1 Logistic 78% 81% 75%

Regressio

19
 n

2 Support
92,3
Vector 85,4% 79,5%
%
Machine

3 KNN 96,5% 93% 100%

Karena diperoleh KNN memiliki nilai akurasi, recall dan presisi yang paling tinggi, KNN
digunakan untuk data prediksi dan dihasilkan performa sesuai Tabel 7.

Tabel 7. Prosentase akurasi, recall dan presisi data prediksi.

No Model Akurasi Recal Presisi

ML l

1 KNN 100 % 100% 100%

Dari data prediksi, KNN berhasil menebak semua katagori mangga dengan tingkat akurasi 100%,
recall 100% dan presisi 100%. Dimana pada data prediksi digunakan data matang sebanyak 134
baris dan data mentah 29 baris, artinya KNN berhasil menebak semua kategori data prediksi
secara tepat dan benar secara keseluruhan.

KESIMPULAN

Berdasarkan penelitian yang telah dilakukan, maka diperoleh bahwa MQ2 dan MQ3 merespons
paling baik dengan aroma buah mangga dibandingkan dengan MQ-series yang lain. Hal ini
ditandai dengan adanya perubahan nilai yang cukup signifikan setelah beberapa saat sensor
berada di dekat buah mangga. Selain itu, diperoleh pula bahwa model machine learning yang
paling tepat digunakan untuk memprediksi kematang buah mangga adalah model KNN, di mana
pada data evaluasi KNN berhasil memberikan akurasi 93% terhadap data yang diuji, sedangkan
pada data prediksi diperoleh akurasinya 100%, dan nilai ini lebih tinggi jika dibandingkan
dengan hasil akurasi model lainnya.
20
REFERENSI

[1] Aghilinategh, N., Dalvand, M. J., & Anvar, A. (2020). Detection of ripeness grades of
berries using an electronic nose. Food Science & Nutrition, 8(9), 4919–4928.
https://doi.org/https://doi.org/10.1002/fsn3.1788

[2] Baietto, M., & Wilson, A. D. (2015). Electronic-nose applications for fruit identification,
ripeness and quality grading. In Sensors (Switzerland) (Vol. 15, Issue 1, pp. 899–931).
MDPI AG. https://doi.org/10.3390/s150100899

[3] El-Bendary, N., el Hariri, E., Hassanien, A. E., & Badr, A. (2015). Using machine
learning techniques for evaluating tomato ripeness. Expert Systems with Applications,
42(4), 1892–1905. https://doi.org/10.1016/j.eswa.2014.09.057

[4] Geethapriya, N., & Praveena, S. M. (2017). EVALUATION OF FRUIT RIPENESS

USING ELECTRONIC NOSE. International Journal of Advanced Information Science
and Technology (IJAIST) ISSN, 6(5). https://doi.org/10.15693/ijaist/2017.v6i5.1-5

[5] Koklu, M., & Ozkan, I. A. (2020). Multiclass classification of dry beans using computer
vision and machine learning techniques. Computers and Electronics in Agriculture, 174,
105507. https://doi.org/https://doi.org/10.1016/j.compag.2020.105507

[6] Liakos, K. G., Busato, P., Moshou, D., Pearson, S., & Bochtis, D. (2018). Machine
learning in agriculture: A review. In Sensors (Switzerland) (Vol. 18, Issue 8). MDPI AG.
https://doi.org/10.3390/s18082674

[7] Murad, Sukmawaty, Ansar, Sabani, R., & Hidayat, S. (2022). Sistem Pendeteksi
Kerusakan Buah Mangga Menggunakan Sensor Gas Dengan Metode DCS-LCA (Mango
Damage Detection System Using Gas Sensor With DCS-LCA Method). Jurnal Teknologi
Informasi Dan Multimedia, 3(4), 186–194.

[8] Najiah, I., & Hariyanti, I. (2020). DETEKSI JENIS DAN KEMATANGAN PISANG
MENGGUNAKAN METODE EXTREME LEARNING MACHINE. JURNAL
RESPONSIF, 2(2), 232–242. http://ejurnal.ars.ac.id/index.php/jti

21
[9] Sudana, A. B., Patmasari, R., & Perdana, Y. (2019). DETEKSI KEMATANGAN BUAH
MANGGA BERBASIS PENGOLAHAN SINYAL DIGITAL MENGGUNAKAN
SIVERSIMA RS3400X MANGO RIPENESS DETECTION BASED ON DIGITAL
SIGNAL PROCESSING USING SIVERSIMA RS3400X. E-Proceeding of Engineering,
6(2), 3806–3813.

[10] Worasawate, D., Sakunasinha, P., & Chiangga, S. (2022). Automatic Classification of the
Ripeness Stage of Mango Fruit Using a Machine Learning Approach. AgriEngineering,
4(1), 32–47. https://doi.org/10.3390/agriengineering4010003

[11] Zain, L. H., Setiawan, E., & Fitriyah, H. (2021). Sistem Deteksi Kematangan Buah
Mangga berdasarkan kandungan Gas NH3, C2H5OH dan VOCs menggunakan metode
K-Nearest Neighbor (K-NN). Jurnal Pengembangan Teknologi Informasi Dan Ilmu
Komputer, 5(9), 3792–3798. http://j-ptiik.ub.ac.id

[12] Shibamoto, T.; Tang, C.S. (1990). “Minor” tropical fruit mango, papaya, passion fruit,
and guava. In Food Flavours: Part C: The Flavour of Fruit; Morton, I.D., MacLeod, A.J.,
Eds.; Elsevier: Amsterdam, The Netherlands, 1990; pp. 221–234.

[13] Zain, L. H., Setiawan, E., & Fitriyah, H. (2021). Sistem Deteksi Kematangan Buah
Mangga berdasarkan kandungan Gas NH3, C2H5OH dan VOCs menggunakan metode
K-Nearest Neighbor (K-NN). Jurnal Pengembangan Teknologi Informasi dan Ilmu
Komputer e-ISSN, 2548, 964X.

[14] Wang, L. (Ed.). (2005). Support vector machines: theory and applications (Vol. 177).
Springer Science & Business Media.

[15] Park, H. A. (2013). An introduction to logistic regression: from basic concepts to

interpretation with particular attention to nursing domain. Journal of Korean Academy of
Nursing, 43(2), 154-164.

[16] Fernandes, A. A. T., Figueiredo Filho, D. B., Rocha, E. C. D., & Nascimento, W. D. S.
(2021). Read this paper if you want to learn logistic regression. Revista de sociologia e
politica, 28.

22
[17] Taunk, K., De, S., Verma, S., & Swetapadma, A. (2019, May). A brief review of nearest
neighbor algorithm for learning and classification. In 2019 International Conference on
Intelligent Computing and Control Systems (ICCS) (pp. 1255-1260). IEEE.

[18] Cunningham, P., & Delany, S. J. (2021). K-nearest neighbour classifiers-a tutorial. ACM
Computing Surveys (CSUR), 54(6), 1-25.

23