Kupang (Mytilus edulis) merupakan hewan laut sejenis kerang yang memiliki bentuk sangat kecil sekitar tiga sampai lima milimeter serta tubuhnya berwarna cokelat pucat dan termasuk jenis binatang lunak (moluska). Kupang adalah salah satu penyumbang protein hewani yang bisa dimanfaatkan oleh mayarakat. Kebutuhan informasi mengenai kupang sangat terbatas untuk didapatkan, hal ini dikarenakan kupang tidak begitu populer dibandingkan hewan laut lainnya. Pengembangan kerang kupang sebagai bahan makanan rakyat yang bergizi memiliki prospek yang sangat baik. Sebagian nelayan pesisir pantai menjual kerang kupang dalam bentuk segar tidak di olah. Agar kupang dapat terlihat segar saat dibeli oleh konsumen maka pedagang atau penjualnya sering mengawetkan pangannya dengan bahan pengawet contohnya formalin. Ketika makanan berprotein direndam atau disiram dengan menggunakan larutan formalin, maka gugus aldehida dari formaldehid akan mengikat unsur protein sehingga gizi pada makanan akan hilang dan berbahaya bagi manusia. Perendaman dalam larutan formalin 400 ppm selama 3 menit mampu menyegarkan ikan 4-5 hari.
Keterbatasan indra manusia untuk menentukan kupang yang mengandung formalin dan garam telah menarik minat para peneliti untuk merancang suatu alat deteksi bau yaitu electronic nose berbasis sensor larik gas. E-nose bekerja berdasarkan kerja hidung mamalia yang menggunakan sensor sebagai pengganti reseptor dan analisis komputasi sebagai pengganti kinerja otak untuk mengenali obyek berdasarkan bau.
Hasil penelitian untuk mendeteksi formalin pada cangkang kerang menggunakan E-nose yang terdiri dari rangkaian enam sensor gas TGS yaitu tipe 2600, 2612, 2611, 2602, 2620, 826. Teknologi E-Nose didukung oleh Arduino Mega 2560 dan sistem pengumpulan data menggunkan Jupyter yang akan dihubungkan ke perangkat komputer. Masing-masing sensor mampu mendeteksi gas yang berbeda. Sampel yang digunakan adalah cangkang kerang berformalin dengan beberapa konsentrasi dari 100 ppm sampai 500 ppm dengan penambahan 100 ppm. Penelitian dilakukan menggunakan enam buah sensor TGS dengan waktu sampling 120 detik. Tegangan keluaran dari masing-masing sensor kemudian dikelompokkan berdasarkan analisis komponen utama dan diklasifikasikan menggunakan beberapa teknik, yaitu support vector machine, decision tree, dan random forest.
Penelitian ini telah membuktikan bahwa GSA dapat mengidentifikasi jenis gas di dalam sampel. Itu ditunjukkan oleh adanya variasi pola tegangan keluaran sensor pada masing-masing sampel variasi. Penelitian ini mencatat waktu pelatihan dan waktu prediksi untuk mengetahui waktu tercepat teknik klasifikasi kerang. Pengklasifikasi tercepat dalam pelatihan dan pengujian adalah decision tree. Hal ini disebabkan oleh fakta bahwa teknik pohon keputusan sangat bergantung pada kedalaman pohon, sedangkan data menuntut kedalaman yang dangkal. Pengklasifikasi terburuk adalah pembelajaran ansambel. Analisis komponen utama mencapai skor terbaik dalam melestarikan struktur lokal. PCA bisa menyimpan rata-rata 33% data terdekat di lingkungan yang sama. Sementara autoencoder variasional dapat menyimpan 14% data terdekat di lingkungan yang sama, dan autoencoder dapat menyimpan 8% data terdekat
di lingkungan yang sama.
Penulis : Suryani Dyah Astuti
Informasi detail dari riset ini dapat dilihat pada tulisan kami di:
https://www.sciencedirect.com/science/article/pii/S2214180423000168
