E-nose / E-tongue Bridge

1 Introduksi

1.1 Latar Belakang

Electronic nose (e-nose) dan electronic tongue (e-tongue) adalah sistem sensor array yang meniru kemampuan penciuman dan pengecapan manusia melalui sensor silang-reaktif multi-sensor dan algoritme pengenalan pola (Persaud & Dodd, 1982; Toko, 2000; Loutfi et al., 2015). E-nose umumnya memakai sensor metal oxide semiconductor (MOS), polimer konduktif, atau quartz crystal microbalance (QCM) untuk senyawa aroma volatil. E-tongue memakai sensor potentiometric, voltammetric, atau ion-selective untuk senyawa terlarut. Jembatan ke ilmu sensori perlu dibuat karena sinyal e-nose/e-tongue bukan intensitas atribut secara langsung, melainkan sidik-jari pola yang dihubungkan dengan profil deskriptif melalui PLSR atau PCA bridge (Ross, 2009; Vlasov et al., 2005). E-nose / E-tongue Bridge menyusun matriks sensor × sampel, mereduksi dimensi melalui PCA, dan memprediksi deskriptor sensori dari pola sensor.

1.2 Tujuan Modul

Menerima data sensor array dalam bentuk matriks sampel × sensor.
Menjalankan PCA fingerprinting untuk identifikasi clustering sampel, autentikasi, dan konsistensi batch.
Mendukung model prediktif PLSR: pola sensor → target descriptor.
Mengukur akurasi klasifikasi untuk tugas identifikasi berbasis LDA.
Audiens: peneliti dengan instrumen e-nose/e-tongue dan tim R&D yang membutuhkan QC sensori cepat.

1.3 Posisi di Antara Alternatif

Pilih E-nose / E-tongue Bridge untuk analisis multivariat sensor array. Untuk prapemrosesan NIR, gunakan NIR Preprocessing Explorer. Untuk PLSR umum, gunakan PLSR Studio. Untuk eksplorasi PCA, gunakan PCA Explorer (segera hadir). Untuk klasifikasi terawasi, gunakan Class Modelling.

2 Metode

2.1 Dasar Teoretis

Sensor array data structure:

$$X_{n \times p} = \begin{pmatrix} x_{11} & \cdots & x_{1p} \\ \vdots & \ddots & \vdots \\ x_{n1} & \cdots & x_{np} \end{pmatrix}$$

dengan $n$ samples dan $p$ sensors (mis. 8 MOS sensor untuk e-nose, 7 ISFET sensor untuk e-tongue).

Pre-processing standard (Yan et al., 2015):

Baseline correction — subtract pre-exposure baseline per sensor.
Feature extraction — use $R_{\max}$, area under response curve (AUC), or initial slope.
Autoscaling — mean-center + unit variance per sensor.

PCA:

$$X = T P^T + E$$

dengan $T$ scores (sample positions) dan $P$ loadings (sensor contributions). Sample clustering di PC space identifies batch consistency atau outlier detection.

PLSR sensor → descriptor:

$$y_{\text{descriptor}} = X B_{\text{PLS}} + \varepsilon$$

dengan $B_{\text{PLS}}$ regression coefficient dari NIPALS. Output: prediction descriptor target from sensor pattern + VIP score for sensor importance.

LDA for classification (Fisher, 1936):

$$\text{Maximize} \quad \frac{|S_B|}{|S_W|}$$

dengan $S_B$ between-class scatter dan $S_W$ within-class scatter. Output: linear combinations of sensors that are maximally discriminative for class labels.

Cross-validation accuracy:

$$\text{Accuracy} = \frac{\text{Correct predictions}}{\text{Total predictions}}$$

Target for e-nose authentication: > 90%.

2.2 Persamaan Inti

PCA decomposition: $X = T P^T + E$
PLSR prediction: $\hat{y} = X B_{\text{PLS}}$
LDA optimization: $\max |S_B|/|S_W|$
Cross-validation accuracy: correct/total

2.3 Asumsi & Batas Validitas

Asumsi	Konsekuensi jika dilanggar	Cara cek di SQalytics
Sensor pre-conditioning konsisten	Drift hari-ke-hari	Calibration check per sesi
Replikasi $\geq 3$ per sampel	Variance bias	Modul flag
Sample preparation SOP	Volatile loss inconsistent	Catat protokol
Sensor not poisoned (degraded)	Sensitivity drop	Reference standar mingguan
PCA / PLSR variance captured ≥ 70%	Underfit	Cek explained variance
Class balanced untuk LDA	Bias predominant class	Modul flag imbalance

3 Cara Kerja

3.1 Step-by-Step di SQalytics

Buka E-nose / E-tongue Bridge dari domain Sensori dan Riset Konsumen.
Muat sensor matrix: kolom Sample + multi-sensor columns (mis. S1, S2, ..., S8).
(Opsional) Muat descriptor target untuk PLSR (matrix Y).
Pre-process: autoscaling, baseline correction, feature extraction.
Pilih analysis mode: PCA Fingerprinting, PLSR Sensor → Descriptor, LDA Classification.
Klik Run Analysis.
Tinjau: Tab PCA Biplot, Tab PLSR Prediction, Tab LDA Classification.

3.2 Template Tabel Input + Contoh Data Sintetis

Input template: Sample (category ✓), Class (category — opsional untuk LDA), S1–Sn (numeric ✓).

Sample	Class	S1	S2	S3	S4	S5	S6	S7	S8
K001	Aceh	250	380	145	520	290	410	180	320
K002	Aceh	245	385	142	525	285	415	178	318
K003	Toraja	290	320	180	480	340	380	210	290
K004	Toraja	295	318	178	478	342	385	215	285
K005	Gayo	235	410	130	555	270	440	165	350
K006	Gayo	232	415	128	558	268	442	168	348
… (30 samples total: 10 per class)

SYNTHETIC E-nose 8-sensor (MOS array) untuk discriminasi 3 origin kopi Indonesia (Aceh, Toraja, Gayo). 30 samples (10 per class). PCA + LDA + PLSR. CSV setara: docs/assets/example-data/id/sensory/template_sensory_e_nose_bridge.csv.

3.3 Contoh Luaran

PCA result — class centroids di PC space:

Class	PC1 mean	PC2 mean
Aceh	+0.85	−0.40
Toraja	−1.20	+0.60
Gayo	+1.50	−0.15

LDA confusion matrix (leave-one-out CV):

	Predicted Aceh	Predicted Toraja	Predicted Gayo
Actual Aceh (n=10)	10	0	0
Actual Toraja (n=10)	0	10	0
Actual Gayo (n=10)	1	0	9

Accuracy = 29/30 = 96.7%

PCA biplot e-nose 8-sensor 3 origin kopi dan LDA confusion matrix — Gambar 1. **(a)** PCA *biplot* e-nose 8-sensor — 3 origin kopi (Aceh/Toraja/Gayo) terpisah jelas di PC space; segitiga = centroid kelas. *Sensor* S2, S4, S6 paling diskriminatif (*loading* terbesar). **(b)** LDA confusion matrix (leave-one-out CV): hanya 1 misclassification (1 Gayo → Aceh) dari 30 sample; overall accuracy 96.7% — excellent untuk authentication QC.

E-nose 8-sensor berhasil diskriminasi 3 origin kopi Indonesia (Aceh, Toraja, Gayo) dengan PCA clear clustering (PC1+PC2 = 82% variance) dan LDA classification accuracy 96.7% (29/30 via LOOCV). Sensor S2 + S4 + S6 paling diskriminatif (highest LDA loading). 1 sample Gayo miss-classified as Aceh — possibly batch outlier. Application: e-nose sebagai rapid origin authentication tool di QC kopi (target accuracy > 90%). Lanjut ke PLSR Studio bila ingin model sensor → descriptor (mis. predict cupping score), atau ke Class Modelling (SIMCA) untuk one-class authentication yang lebih strict.

4 Kesimpulan

4.1 Relevansi Real-World

Coffee origin authentication — discriminasi asal geografis dari profil aroma volatil.
Honey adulteration detection — deteksi adulterant via e-tongue sugar profile.
Wine quality grading — rapid classification tier dari sensor array.
Tea grading — discriminasi kualitas (TGFOP vs BOP) tanpa panel manusia.
Spoilage detection — meat/dairy freshness monitoring via volatil pattern.
Process monitoring fermentation — real-time QC profil aroma selama fermentasi.

4.2 Where to Go from Here

PLSR Studio — predict descriptor dari sensor pattern.
PCA Explorer (akan datang) — eksplorasi unsupervised.
Class Modelling — SIMCA untuk authentication.
Cluster Analysis Explorer — unsupervised clustering.

⚙ Troubleshooting Cepat

PCA tidak cluster. Cek sensor drift; recalibrate; periksa pre-processing.

LDA accuracy < 80%. Tambah replikasi atau lebih banyak sensor.

Sensor poisoning suspected. Replace sensor + ulang baseline.

i Riwayat Revisi

Tanggal	Revisi	Penulis
2026-05-12	Draft v2 publikasi (KaTeX PCA/PLSR/LDA sensor array + APA Persaud/Toko/Vlasov/Loutfi)	Claude

4 Referensi

Persaud, K., & Dodd, G. (1982). Analysis of discrimination mechanisms in the mammalian olfactory system. Nature, 299(5881), 352–355. https://doi.org/10.1038/299352a0
Toko, K. (2000). Biomimetic sensor technology. Cambridge University Press.
Loutfi, A., Coradeschi, S., Mani, G. K., Shankar, P., & Rayappan, J. B. B. (2015). Electronic noses for food quality: A review. Journal of Food Engineering, 144, 103–111. https://doi.org/10.1016/j.jfoodeng.2014.07.019
Vlasov, Y., Legin, A., Rudnitskaya, A., Di Natale, C., & D'Amico, A. (2005). Nonspecific sensor arrays ("electronic tongue"). Pure and Applied Chemistry, 77(11), 1965–1983. https://doi.org/10.1351/pac200577111965
Ross, C. F. (2009). Sensory science at the human-machine interface. Trends in Food Science & Technology, 20(2), 63–72. https://doi.org/10.1016/j.tifs.2008.11.004
Yan, J., Guo, X., Duan, S., Jia, P., Wang, L., Peng, C., & Zhang, S. (2015). Electronic nose feature extraction methods: A review. Sensors, 15(11), 27804–27831. https://doi.org/10.3390/s151127804
Fisher, R. A. (1936). The use of multiple measurements in taxonomic problems. Annals of Eugenics, 7(2), 179–188. https://doi.org/10.1111/j.1469-1809.1936.tb02137.x