Melola Discovery

← Melola Discovery

Jurnal Tanpa peringkat SINTA

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

Edu Elektrika Journal · Vol. 13 No. 2 (2026) · hlm. 35–44

DOI
10.15294/eduel.v13i2.19222
ISSN
2723-5602, 2252-7095
Terbit
2026-01-19
Penerbit
LPPM Universitas Negeri Semarang
Bahasa
eng

Abstrak

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.

Kata kunci

Jaringan kolaborasi para penulis

Belum ada rekan penulis di Melola.

Sumber metadata: OAI-PMH (metadata jurnal) https://journal.unnes.ac.id/journals/eduel/oai, pertama di-harvest 5 Nov 2026, terakhir terlihat 8 Nov 2026.
Metadata asli (oai_dc)
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="en">Pendekatan Ensemble Machine Learning untuk Identifikasi Kerusakan Buah Pisang Berbasis Sensor Gas</dc:title>
	<dc:creator xml:lang="en">Fa'iq Mubarak, Raihan </dc:creator>
	<dc:subject xml:lang="en">ensemble learning</dc:subject>
	<dc:subject xml:lang="en">Kerusakan Buah</dc:subject>
	<dc:subject xml:lang="en">MQ4</dc:subject>
	<dc:subject xml:lang="en">MQ135</dc:subject>
	<dc:subject xml:lang="en">Pisang ambon</dc:subject>
	<dc:subject xml:lang="en">Pisang kepok</dc:subject>
	<dc:subject xml:lang="en">Sensor Gas</dc:subject>
	<dc:description xml:lang="en">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.</dc:description>
	<dc:publisher xml:lang="en">LPPM Universitas Negeri Semarang</dc:publisher>
	<dc:date>2026-01-19</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:type xml:lang="en">Peer-reviewed Article</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://journal.unnes.ac.id/journals/eduel/article/view/19222</dc:identifier>
	<dc:identifier>10.15294/eduel.v13i2.19222</dc:identifier>
	<dc:source xml:lang="en">Edu Elektrika Journal; Vol. 13 No. 2 (2025): Desember; 35-44</dc:source>
	<dc:source>2723-5602</dc:source>
	<dc:source>2252-7095</dc:source>
	<dc:source>10.15294/eduel.v13i2</dc:source>
	<dc:language>eng</dc:language>
	<dc:relation>https://journal.unnes.ac.id/journals/eduel/article/view/19222/8177</dc:relation>
	<dc:rights xml:lang="en">Copyright (c) 2026 Edu Elektrika Journal</dc:rights>
</oai_dc:dc>