Perpustakaan Digital ITB

Pengelolaan makanan sisa di kantin kampus masih bertumpu pada penilaian kesegaran secara subjektif melalui indra penciuman dan penglihatan penjual. Cara ini tidak konsisten dan tidak menghasilkan data yang dapat dipertanggungjawabkan sehingga keputusan untuk menyimpan, mendonasikan, atau membuang makanan kerap keliru dan menambah pemborosan pangan. Kondisi ini menuntut adanya klasifikasi kesegaran makanan yang objektif, dan sebagai langkah fondasionalnya penelitian ini menganalisis serta membandingkan model machine learning dan metode pembagian data yang paling tepat untuk mengklasifikasikan kesegaran nasi putih dari sinyal sensor gas MQ pada konteks platform Smart Canteen. Penelitian disusun mengikuti kerangka kerja Cross Industry Standard Process for Data Mining (CRISP-DM). Data dikumpulkan secara mandiri menggunakan sensor MQ2, MQ4, MQ135, dan DHT22 selama proses pembusukan nasi putih pada empat trial di hari yang berbeda. Pelabelan kelas fresh dan spoiled ditetapkan berdasarkan literatur mikrobiologi pertumbuhan Bacillus cereus pada nasi matang, yaitu ambang sekitar enam jam pada suhu ruang. Empat algoritma klasifikasi, yaitu Logistic Regression, Decision Tree, Random Forest, dan K-Nearest Neighbor, dibandingkan dengan dua teknik pembagian data, yaitu random split dan grouped split per trial. Hasil pengujian menunjukkan bahwa random split memberikan akurasi pelatihan yang tampak sangat tinggi pada model kompleks, tetapi bersifat terlalu optimis akibat kebocoran data dari autokorelasi sinyal sensor. Ketika diuji pada trial validasi yang terpisah, hanya skema grouped split yang menghasilkan kinerja konsisten dan realistis, dengan Logistic Regression menjadi model yang paling mampu menggeneralisasi, yaitu accuracy 0,732 dan AUC 0,971, sekaligus mengenali hampir seluruh sampel spoiled. Penelitian ini menyimpulkan bahwa kombinasi sensor gas MQ dan machine learning dengan evaluasi grouped split merupakan pendekatan yang valid dan dapat diandalkan untuk klasifikasi kesegaran nasi putih secara objektif. Temuan ini menjadi fondasi yang membuka peluang integrasi hasil klasifikasi ke dalam alur pengelolaan makanan sisa di Smart Canteen pada pengembangan selanjutnya.