Pendekatan Ensemble Machine Learning untuk Identifikasi Kerusakan Buah Pisang Berbasis Sensor Gas

Abstract

Pisang merupakan salah satu komoditas buah tropis yang memberikan kontribusi ekonomi signifikan, namun memiliki tantangan dalam menjaga kualitas akibat kerusakan selama proses pematangan dan penyimpanan, yang ditandai dengan pelepasan gas seperti etilen dan senyawa lainnya. Penelitian ini mengembangkan sistem deteksi kerusakan buah pisang berbasis metode Ensemble Learning dengan memanfaatkan sensor gas MQ4 dan MQ135. Sistem ini dirancang untuk mengidentifikasi pola gas yang dilepaskan oleh pisang ambon dan kepok selama proses pematangan hingga pembusukan. Berbagai model klasifikasi digunakan, seperti Decision Tree, Random Forest, K-Nearest Neighbor (KNN), Logistic Regression, Support Vector Machine (SVM), Gaussian Naïve Bayes, dan Linear Regression. Hasil pengujian menunjukkan bahwa model Decision Tree, Random Forest, dan KNN memiliki performa terbaik dengan nilai akurasi, presisi, recall, dan F1-score sempurna (1,00). Sensor MQ4 lebih responsif pada kondisi "normal" dan "busuk," sementara MQ135 unggul pada kondisi "lebih matang." Integrasi kedua sensor memungkinkan sistem untuk mendeteksi kerusakan buah secara lebih akurat dan komprehensif. Dataset gas yang dihasilkan dari penelitian ini menjadi referensi penting untuk penelitian lebih lanjut dalam pengolahan data gas pada buah klimaterik. Dengan kontribusi pada teknologi pascapanen, sistem ini mendukung ketahanan pangan nasional melalui deteksi dan pengelolaan kualitas buah pisang di sepanjang rantai pasok.