Penerapan Algoritma Klasifikasi K-Nearest Neighbors (KNN) untuk Sistem Deteksi Formalin pada Makanan Menggunakan E-Nose

Formalin merupakan bahan kimia berbahaya yang sering disalahgunakan sebagai pengawet pada makanan, menimbulkan risiko kesehatan serius bagi konsumen. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi sistem deteksi formalin pada mie basah secara cepat dan non-destruktif menggunakan electronic nose (E-Nose) berbasis sensor gas dan algoritma klasifikasi K-Nearest Neighbors (KNN). Sistem E-Nose dirancang dengan mengintegrasikan sensor gas MS1100 dan TGS2602 untuk akuisisi data aroma, modul Analog-to-Digital Converter (ADC) ADS1115 untuk konversi sinyal analog ke digital, serta microcontroller Raspberry Pi 4 sebagai unit pemrosesan utama. Data respon sensor diekstraksi menjadi fitur ΔMS dan ΔTGS, kemudian dinormalisasi untuk persiapan model KNN. Optimasi nilai parameter k pada algoritma KNN dilakukan menggunakan metode GridSearchCV dengan 5-fold cross-validation pada rentang nilai k 1 hingga 20, menghasilkan nilai optimal k=11. Evaluasi kinerja model klasifikasi pada 90 sampel (terdiri dari 45 sampel berformalin dan 45 sampel tidak berformalin) menunjukkan akurasi keseluruhan 95.56%. Model ini mencapai presisi 100% untuk kelas 'Formalin', mengindikasikan tidak adanya false positive (mie aman tidak pernah salah dideteksi berbahaya). Meskipun demikian, terdapat recall 91.11% dengan 4 false negative dari 45 sampel formalin, menunjukkan adanya sedikit risiko mie berformalin
yang luput dari deteksi. Secara fungsional, sistem terintegrasi ini berhasil mengklasifikasikan sampel dan menampilkan hasilnya pada LCD dengan akurasi 100% pada pengujian 30 sampel terpisah, menunjukkan potensi besar sebagai alat deteksi formalin yang efektif dan praktis.