Implementasi algoritma random forest pada embedded system electronic nose berbasis Raspberry Pi untuk klasifikasi kopi arabika dan robusta

INDONESIA:

Pesatnya perkembangan kecerdasan buatan menempatkan machine learning sebagai instrumen krusial untuk menghasilkan sistem pengenalan pola yang objektif, konsisten, dan akurat guna mengatasi subjektivitas penilaian sensorik konvensional manusia. Penelitian ini bertujuan untuk mengimplementasikan embedded system electronic nose (e-nose) standalone berbasis single-board computer Raspberry Pi 4 Model B dengan algoritma random forest untuk klasifikasi aroma kopi arabika, robusta, dan campuran secara real-time. Perangkat keras dirancang mengintegrasikan 8 array sensor gas (MQ-3, MQ-4, MQ-7, MQ-8, MQ-135, MQ-136, TGS-813, dan TGS-822) melalui modul ADC ADS1115 untuk akuisisi sinyal beresolusi tinggi. Algoritma random forest ditanamkan secara on-edge untuk melakukan ekstraksi fitur dinamika sinyal (statistik, momentum, dan Area Under Curve/AUC) serta mengeksekusi keputusan klasifikasi guna memisahkan karakteristik uap volatil kopi yang serupa namun tak serupa (musytabihan wa ghaira mutasyabihin, QS. Al-An'am: 99). Sebanyak 120 sampel data diakuisisi pada dua sirkulasi lingkungan berbeda (laboratorium dan luar laboratorium). Berdasarkan analisis feature importance, sensor TGS-822, MQ-7, dan MQ-3 teridentifikasi sebagai parameter paling dominan dalam menangkap senyawa volatil kopi. Model random forest menunjukkan keandalan tinggi dengan capaian akurasi pengujian sebesar 91,67%, serta mampu memisahkan kelas robusta murni secara sempurna (100%). Pada pengujian real-time, sistem membuktikan tingkat ketahanan (robustness) yang sangat baik dengan keberhasilan prediksi 100% sesuai target, di mana skor keyakinan (confidence score) berfluktuasi pada rentang 81,60% hingga 98,60% akibat dinamika suhu sirkulasi udara lingkungan. Integrasi ini sukses menciptakan perangkat portabel yang presisi untuk identifikasi varietas kopi langsung di lapangan.

ENGLISH:

The rapid development of artificial intelligence establishes machine learning as a crucial instrument for generating objective, consistent, and accurate pattern recognition systems to overcome the subjectivity of conventional human sensory assessment. This study aims to implement a standalone embedded system electronic nose (e-nose) based on the Raspberry Pi 4 Model B single-board computer integrated with the Random Forest algorithm for real-time classification of Arabica, Robusta, and blend coffee aromas. The hardware system integrates an array of eight gas sensors (MQ-3, MQ-4, MQ-7, MQ-8, MQ-135, MQ-136, TGS-813, and TGS-822) via an ADS1115 ADC module for high-resolution signal acquisition. The Random Forest algorithm is deployed on-edge to extract dynamic signal features (statistical, momentum, and Area Under Curve/AUC) and execute classification decisions to separate the similar yet distinct volatile organic compounds characteristics of coffee (musytabihan wa ghaira mutasyabihin, QS. Al-An'am: 99). A total of 120 data samples were acquired across two distinct environmental circulations (laboratory and non-laboratory). Based on feature importance analysis, the TGS-822, MQ-7, and MQ-3 sensors were identified as the most dominant parameters in capturing coffee volatile compounds. The Random Forest model demonstrated high reliability, achieving a testing accuracy of 91.67% and perfectly separating the pure Robusta class with 100% accuracy. During real-time testing, the system exhibited excellent robustness with a 100% successful target prediction, while the prediction confidence score fluctuated between 81.60% and 98.60% due to ambient temperature and air circulation dynamics. This integration successfully provides a precise, portable, and standalone device for on-site coffee variety identification.

ARABIC:

يضع التطور السريع للذكاء الاصطناعي تقنيات تعلم الآلة كأداة حاسمة لإنتاج أنظمة تمييز الأنماط بشكل موضوعي، ومتسق، ودقيق للتغلب على التحيزات الذاتية للتقييمات الحسية البشرية التقليدية. تهدف هذه الدراسة إلى تطبيق نظام مدمج مستقل للأنف الإلكتروني electronic nose قائم على حاسوب اللوحة الواحدة Raspberry Pi 4 Model B مدمج مع خوارزمية الغابة العشوائية random forest للتصنيف الفوري لأصناف قهوة أرابيكا، وروبوستا، والمزيج بشكل لحظي real-time. تم تصميم نظام الأجهزة عبر دمج مصفوفة مكونة من ٨ مستشعرات للغاز MQ-3، و MQ-4، و MQ-7، و MQ-8، و MQ-135، و MQ-136، و TGS-813، و TGS-822 من خلال وحدة المحول التناظري الرقمي (ADC) من الطراز ADS1115 للحصول على إشارات عالية الدقة. تم زرع خوارزمية الغابة العشوائية على الحافة الحسابية (on-edge) لاستخراج ميزات ديناميكية الإشارة (الإحصائية، والزخم، والمساحة تحت المنحنى/AUC)، وإجراء قرارات التصنيف لفصل خصائص المركبات المتطايرة للقهوة المتشابهة وغير المتشابهة (مُشْتَبِهاً وَغَيْرَ مُتَشَابِهٍ، سورة الأنعام: ٩٩). تم جمع ما مجموعه ١٢٠ عينة من البيانات في بيئتين مختلفتين (داخل المختبر وخارجه). وأظهر تحليل أهمية الميزات (feature importance) أن المستشعرات TGS-822، و MQ-7، و MQ-3 هي العوامل الأكثر هيمنة في التقاط المركبات العضوية المتطايرة للقهوة. أظهر نموذج الغابة العشوائية موثوقية عالية، حيث حقق دقة اختبار بلغت ٩١٫٦٧٪، وقدرة كاملة على فصل فئة الروبوستا النقية بنسبة ١٠٠٪. وأثناء الاختبار الفوري، أظهر النظام متانة ممتازة (robustness) حيث بلغت نسبة نجاح التنبؤ النهائي ١٠٠٪ وفقاً للهدف، مع تراوح درجات الثقة في التنبؤ بين ٨١٫٦٠٪ و ٩٨٫٦٠٪ نتيجة لتقلبات درجات الحرارة وديناميكيات حركة الهواء المحيط. وقد نجح هذا التكامل في ابتكار جهاز محمول، ودقيق، ومستقل لتحديد أصناف القهوة مباشرة في الميدان.