Perbandingan Algoritma C4.5 dan Random Forest dalam Klasifikasi Kekeringan Tembakau Berbasis Electronic Nose

Rahmat Tegar Patriot Lambang; Dimas Saputra; Muh. Mashdarul Hilmi Aufa; Ifnu Wisma Dwi Prastya

doi:10.30591/jpit.v11i2.10057

Perbandingan Algoritma C4.5 dan Random Forest dalam Klasifikasi Kekeringan Tembakau Berbasis Electronic Nose

Rahmat Tegar Patriot Lambang, Dimas Saputra, Muh. Mashdarul Hilmi Aufa, Ifnu Wisma Dwi Prastya

Abstract

Penilaian kualitas tembakau masih banyak dilakukan secara manual oleh tenaga ahli, sehingga rentan terhadap subjektivitas dan inkonsistensi antarpenilai. Masalah ini dapat menghambat proses kontrol mutu, terutama ketika volume produksi tinggi dan diperlukan keputusan cepat serta akurat. Penelitian ini bertujuan untuk mengembangkan pendekatan klasifikasi kualitas tembakau berbasis pembelajaran mesin yang terintegrasi dengan perangkat electronic nose (E-Nose) sebagai solusi yang lebih objektif dan terukur. Sebanyak 375 sampel tembakau yang mewakili empat tingkat kekeringan dikumpulkan dan diolah menggunakan metode Interquartile Range (IQR) untuk menghilangkan outlier serta Moving Average untuk mereduksi noise pada sinyal sensor MQ-4, MQ-7, dan MQ-135. Dua algoritma klasifikasi, yaitu C4.5 dan Random Forest, diterapkan dan dievaluasi menggunakan stratified 10-fold cross-validation untuk memperoleh estimasi performa yang stabil. Hasil penelitian menunjukkan bahwa Random Forest memberikan performa terbaik dengan akurasi 93%, nilai Cohen’s Kappa 0.9259, MCC 0.9262, balanced accuracy 0.945, dan cross-entropy log loss 0.4291. Temuan ini memperlihatkan bahwa integrasi E-Nose dengan teknik ensemble learning mampu meningkatkan keandalan proses identifikasi kualitas tembakau. Secara keseluruhan, penelitian ini menyimpulkan bahwa sistem klasifikasi berbasis E-Nose dan pembelajaran mesin dapat dijadikan dasar pengembangan teknologi otomasi penilaian tembakau yang lebih cepat, konsisten, dan siap diterapkan pada skala industri

Keywords

C4.5; Electronic Nose; Klasifikasi; Kualitas Tembakau; Random Forest.

Full Text:

References

H. Rivai, S. Nanda, A. Alifo Yusuf, dan P. Akademi Pimpinan Perusahaan Jakarta, “Dampak Besar Industri Hasil Tembakau Bagi Ekonomi Indonesia,” J. Ekon. Revolusioner, vol. 7, no. 1, hal. 130–135, 2024.

A. Bella et al., “Macroeconomic impact of tobacco taxation in Indonesia,” Tob. Control, vol. 33, hal. S108–S114, 2024, doi: 10.1136/tc-2022-057735.

N. Nur Salsabila, J. Tarik Ibrahim, dan G. Mumpuni Ningsih, “Analysis The Competitiveness of Indonesian Tobacco Exports to International Markets 2003-2022,” Int. J. Sci. Res. Manag., vol. 12, no. 01, hal. 479–487, 2024, doi: 10.18535/ijsrm/v12i01.ah01.

L. Ramadhanti, B. Kusmanadhi, D. Wulanjari, dan S. B. Patricia SM, “Kualitas dan Beberapa Karakteristik Tembakau (Nicotiana tabacum L.) Rajangan Varietas Maesan 1 Akibat Teknik dan Lama Pengeringan Yang Berbeda,” Technologica, vol. 2, no. 1, hal. 1–13, 2023, doi: 10.55043/technologica.v2i1.49.

M. Zhang et al., “Integrated characterization of filler tobacco leaves: HS–SPME–GC–MS, E-nose, and microbiome analysis across different origins,” Bioresour. Bioprocess., vol. 11, no. 1, 2024, doi: 10.1186/s40643-024-00728-w.

M. Misbah, N. Arif, dan Y. A. Suryo, “Deteksi Kualitas Tembakau Berdasarkan Aroma Berbasis Electronic Nose,” E-Link J. Tek. Elektro dan Inform., vol. 16, no. 1, hal. 37, 2023, doi: 10.30587/e-link.v16i1.2096.

C. H. A. Esteves, B. A. Iglesias, T. Ogawa, K. Araki, L. Hoehne, dan J. Gruber, “Identification of Tobacco Types and Cigarette Brands Using an Electronic Nose Based on Conductive Polymer/Porphyrin Composite Sensors,” ACS Omega, vol. 3, no. 6, hal. 6476–6482, 2018, doi: 10.1021/acsomega.8b00403.

Iqbal H. Sarker, “20 Machine Learning Algorithms, Real‑World Applications and Research.pdf.”

S. N. Bardab, T. M. Ahmed, T. Abdalkarim, dan A. Mohammed, “International Journal of Advanced and Applied Sciences Data mining classification algorithms : An overview,” vol. 8, no. 2, hal. 1–5, 2021.

M. Drogkoula, K. Kokkinos, dan N. Samaras, “applied sciences A Comprehensive Survey of Machine Learning Methodologies with Emphasis in Water Resources Management,” 2023.

J. Ross Quinlan, “C4.5: Programs for Machine Learning,” Mach. Learn., vol. 7, no. 1, hal. 55–77, 1993, doi: 10.1016/S0019-9958(64)90259-1.

K. Lu dan M. Chen, “Research on Application of C4.5 Algorithm in Performance Analysis,” Proc. Int. Conf. Electron. Mech. Cult. Med., vol. 45, no. Emcm 2015, hal. 290–294, 2016, doi: 10.2991/emcm-15.2016.140.

T. B. Nugroho dan E. Sugiharti, “The Improvement of C4.5 Algorithm Accuracy in Predicting Forest Fires Using Discretization and AdaBoost,” J. Adv. Inf. Syst. Technol., vol. 3, no. 1, hal. 43–52, 2021, doi: 10.15294/jaist.v3i1.49094.

M. A. S. Mula Agung Barata, Edi Noersasongko, Purwanto, “Improving the Accuracy of C4.5 Algorithm with Chi-Square Method on Pure Tea Classification Using Electronic Nose,” Resti, vol. 7, no. 2, hal. 226–235, 2023, [Daring]. Tersedia pada: https://pdfs.semanticscholar.org/6735/73c98d60dbab8d368ce35c7ad593354c2d4e.pdf

D. R. Wijaya, F. Afianti, A. Arifianto, D. Rahmawati, dan V. S. Kodogiannis, “Ensemble machine learning approach for electronic nose signal processing,” Sens. Bio-Sensing Res., vol. 36, no. April, hal. 100495, 2022, doi: 10.1016/j.sbsr.2022.100495.

Y. Ren, X. Zhu, K. Bai, R. Zhang, dan S. Member, “A New Random Forest Ensemble of Intuitionistic Fuzzy Decision Trees”.

J. S. Rhodes, A. Cutler, dan K. R. Moon, “Geometry- and Accuracy-Preserving Random Forest Proximities,” hal. 1–25.

M. N. Edi Ismanto, “Komparasi Kinerja Algoritma C4 . 5 , Random Forest , dan Gradient Boosting untuk Klasifikasi Komoditas,” vol. 20, no. 3, hal. 400–410, 2021.

S. Tirtosastro et al., “Kandungan Kimia Tembakau dan Rokok,” vol. 2, hal. 33–43, 2010.

S. Wakhid, R. Sarno, S. I. Sabilla, dan D. B. Maghfira, “Detection and classification of indonesian civet and non-civet coffee based on statistical analysis comparison using E-Nose,” Int. J. Intell. Eng. Syst., vol. 13, no. 4, hal. 56–65, 2020, doi: 10.22266/IJIES2020.0831.06.

J. V. M. Antony, P. Ramani, A. Ramasubramanian, dan G. Sukumaran, “Particle size penetration rate and effects of smoke and smokeless tobacco products – An invitro analysis,” Heliyon, vol. 7, no. 3, hal. e06455, 2021, doi: 10.1016/j.heliyon.2021.e06455.

M. Piłat-Rożek, E. Łazuka, D. Majerek, B. Szeląg, S. Duda-Saternus, dan G. Łagód, “Application of Machine Learning Methods for an Analysis of E-Nose Multidimensional Signals in Wastewater Treatment,” Sensors, vol. 23, no. 1, 2023, doi: 10.3390/s23010487.

Yixu Huang, Iyll-Joon Doh, Euiwon Bae, “Design and Validation of a Portable Machine Learning-Based Electronic Nose,” Sensors (Switzerland), 2021, doi: https://doi.org/10.3390/s21113923.

DOI: https://doi.org/10.30591/jpit.v11i2.10057