Kesegaran produk boga bahari adalah faktor krusial dalam menentukan kualitas dan
keamanan pangan, terutama di industri perikanan dan makanan laut. Proses pembusukan yang
cepat pada produk ini sering kali tidak terdeteksi secara visual, sehingga memerlukan metode
lebih akurat dan efisien untuk evaluasi kualitas. Salah satu tantangan utama dalam industri
makanan laut adalah menilai kesegaran secara real-time dengan cara praktis dan dapat
diandalkan. Oleh karena itu, dibutuhkan teknologi yang mampu mendeteksi perubahan kualitas
udara akibat gas-gas pembusukan sebagai indikator kesegaran.
Penelitian ini bertujuan mengembangkan teknologi deteksi kesegaran boga bahari secara
real-time menggunakan sistem electronic nose, dengan fokus pada analisis gas pembusukan
sebagai indikator utama. Ruang lingkup penelitian mencakup pengujian kesegaran beberapa
jenis boga bahari, seperti tuna, salmon, udang, cod, dan kepiting. Sistem yang dikembangkan
terdiri dari perangkat electronic nose berbasis sensor gas dan algoritma machine learning. Data
dari sensor gas dianalisis menggunakan algoritma seperti Random Forest, K-Nearest
Neighbors (KNN), Naive Bayes, Decision Tree, AdaBoost, Gradient Boosting, dan XGBoost.
Proses seleksi algoritma dilakukan untuk memilih model terbaik berdasarkan akurasi, efisiensi
memori, dan kecepatan. Selain itu, dilakukan analisis Principal Sensor Selection (PSS) untuk
menentukan kombinasi sensor gas paling efektif dalam mendeteksi gas pembusukan.
Dari analisis PSS, empat sensor gas terpilih adalah MQ-137, MQ-2, MQ-8, dan MQ-9,
yang mampu mendeteksi perubahan konsentrasi gas pembusukan secara andal. Hasil penelitian
menunjukkan algoritma XGBoost memiliki performa terbaik dengan nilai konsisten 1.00 pada
precision, recall, dan f1-score di setiap kelas klasifikasi, serta cross validation 0.998 pada tuna,
0.9993 pada salmon, 0.9981 pada cod, 0.9967 pada udang, dan 0.9995 pada kepiting. Pada uji
regresi, XGBoost juga memiliki nilai R² score dan RMSE tinggi, dengan cross validation
0.0064 pada tuna, 0.013 pada salmon, 0.014 pada cod, 0.0049 pada udang, dan 0.013 pada
kepiting. Sistem yang diusulkan ini memberikan solusi efektif untuk mendeteksi kesegaran
boga bahari secara real-time, sehingga meningkatkan kualitas dan daya saing produk di industri
makanan laut.
Kata kunci : Ada boost, Decision tree, Electronic nose, Gradient boosting, Kesegaran boga
Bahari, KNN, Machine learning, Naive bayes, Sensor gas, XGBoost