Deteksi Kesegaran Makanan Berbasis IoT dengan Parameter Gas, Suhu dan Kelembapan
Keywords:
Internet of Things, Deteksi Kesegaran Makanan, MQ-3, MQ-135, DHT11, ESP32.Abstract
Permasalahan penurunan kesegaran makanan akibat kondisi penyimpanan yang tidak terpantau berdampak pada kerugian ekonomi dan kesehatan masyarakat. Metode konvensional yang bersifat manual kurang efektif karena bergantung pada pengamatan visual dan penciuman subjektif. Penelitian ini bertujuan merancang dan membangun sistem deteksi kesegaran makanan berbasis Internet of Things (IoT) menggunakan parameter gas volatil (etanol dan VOC), suhu, dan kelembapan dengan antarmuka web sebagai media monitoring jarak jauh. Sistem dikembangkan menggunakan mikrokontroler ESP32 yang terintegrasi dengan sensor MQ-3 (etanol), MQ-135 (VOC), dan DHT11 (suhu/kelembapan). Data sensor ditransmisikan ke Firebase Realtime Database dan ditampilkan pada dashboard web secara real-time menggunakan metode prototyping empat tahap. Hasil pengujian menunjukkan sistem mampu mengklasifikasikan tiga status kesegaran (Normal, Peringatan, Kritis) dengan akurasi 100% pada 10 pengujian, latensi transmisi rata-rata 972,1 ms, dan rata-rata error sensor DHT11 sebesar 0,56%.
References
[1] . Tabel II merangkum nilai threshold final beserta dasar ilmiahnya. Tabel II. Nilai Threshold Parameter dan Status Sistem E. Perancangan Firmware dan Antarmuka Web Gambar 2. Antarmuka Web Firmware ESP32 ditulis menggunakan Arduino IDE 2.x dengan library DHT.h, WiFi.h, dan HTTPClient.h. Sistem membaca ketiga sensor setiap 5 detik, mengklasifikasikan status berdasarkan threshold, kemudian mengirim data JSON ke Firebase Realtime Database via HTTP POST. Antarmuka web dibangun dengan HTML, CSS, dan JavaScript menggunakan Firebase Web SDK untuk menampilkan data real-time tanpa refresh halaman. Data asli dari Firebase sistem menunjukkan struktur: mq3=0, mq135=199, suhu=31.3, kelembapan=60, status=Normal. HASIL DAN PEMBAHASAN A. Hasil Pengujian Sensor pada 30 sampel Pengujian dilakukan pada 30 sampel data (10 per kondisi). Tabel III merangkum rentang nilai sensor pada ketiga kondisi. Tabel III. Ringkasan Hasil Pengujian Sensor pada Tiga Kondisi Dari Tabel II terlihat Pada kondisi Normal (Roti A), nilai MQ-3 berada pada rentang 0–2 ppm dan MQ-135 pada 197–204 ppm — keduanya jauh di bawah threshold. Data pertama yang terbaca dari Firebase sistem adalah: MQ-3=0 ppm, MQ-135=199 ppm, suhu=31,3°C, kelembapan=60%, status Normal. Pada kondisi Peringatan (Roti B, 24 jam), dua dari 10 sampel awal masih terdeklasifikasi sebagai Normal karena nilai MQ-3 belum melampaui threshold, sehingga distribusi status menjadi 8 Peringatan dan 2 Normal. Pada kondisi Kritis (Roti C, 48 jam), seluruh 10 sampel terklasifikasi sebagai Kritis karena keempat parameter secara bersamaan melampaui threshold. B. Analisis Dominasi Parameter dan Mekanisme Klasifikasi Salah satu temuan penting penelitian ini adalah identifikasi urutan dominasi parameter dalam menentukan perubahan status. Tabel IV menunjukkan hasil analisis berdasarkan waktu pertama kali masing-masing parameter melampaui threshold. Tabel IV. Analisis Dominasi Parameter dalam Deteksi Status Kesegaran Dari Tabel IV, sensor MQ-3 terbukti menjadi parameter paling sensitif dan dominan karena pertama kali melampaui threshold pada sampel ke-3 kondisi Peringatan (pukul 10.10, MQ-3=201 ppm). Hal ini konsisten dengan mekanisme biokimia: etanol merupakan produk langsung fermentasi anaerob ragi yang terjadi segera setelah kondisi penyimpanan menjadi tidak ideal, sementara VOC (MQ-135) diproduksi sedikit lebih lambat oleh pertumbuhan kapang. Suhu dan kelembapan berperan sebagai faktor lingkungan yang memperparah kondisi namun bukan indikator langsung aktivitas mikrobiologis. Terkait mekanisme klasifikasi ketika hanya sebagian parameter melampaui threshold: sistem menggunakan pendekatan OR-logic, di mana satu parameter yang melampaui threshold sudah cukup untuk mengubah status menjadi Peringatan. Status Kritis ditetapkan ketika parameter gas (MQ-3 atau MQ-135) melampaui threshold bersamaan dengan minimal satu parameter lingkungan (suhu atau kelembapan), mengindikasikan kondisi aktif mikrobiologis yang didukung lingkungan yang kondusif. Pendekatan ini sengaja dirancang sensitif (menghindari false negative) karena konsekuensi mengonsumsi makanan basi lebih berbahaya daripada membuang makanan yang masih aman. C. Akurasi Klasifikasi dan Keterbatasan Pengujian Dari 30 sampel total, sistem mengklasifikasikan dengan benar 28 sampel (93,3%). Dua sampel yang salah klasifikasi terjadi pada kondisi Peringatan awal (sampel ke-1 dan ke-2 Roti B) di mana nilai MQ-3 belum melampaui threshold namun roti secara organoleptik sudah mulai menunjukkan penurunan kualitas. Hal ini mengindikasikan bahwa threshold MQ-3 sebesar 200 ppm perlu dikalibrasi ulang menjadi lebih rendah (sekitar 185 ppm) untuk meningkatkan sensitivitas deteksi dini. Perlu dicatat bahwa akurasi 93,3% ini diperoleh dari 30 sampel yang seluruhnya menggunakan satu jenis makanan (roti tawar) dalam kondisi laboratorium yang terkontrol. Hasil ini belum dapat digeneralisasi untuk jenis makanan lain atau variasi kondisi lingkungan yang berbeda. Keterbatasan ini dijelaskan lebih lanjut pada bagian kesimpulan. D. Pengujian Latensi dan Akurasi DHT11 Rata-rata latensi transmisi dari pembacaan sensor hingga tampil di browser adalah 972,1 ms (min 913 ms, maks 1.034 ms), berada di bawah target 3.000 ms. Akurasi sensor DHT11 menunjukkan rata-rata error suhu 0,56% dan kelembapan 0,55%, keduanya memenuhi spesifikasi (batas ±2°C dan ±5%RH). Perlu dicatat bahwa evaluasi akurasi sensor MQ-3 dan MQ-135 menggunakan gas standar belum dilakukan dalam penelitian ini karena keterbatasan alat ukur. Verifikasi akurasi kedua sensor gas tersebut merupakan prioritas pengembangan selanjutnya. E. Perbandingan dengan Penelitian Terdahulu Tabel V menyajikan perbandingan sistem yang dikembangkan dengan penelitian terdahulu yang relevan. Tabel V. Perbandingan dengan Penelitian Terdahulu Keunggulan penelitian ini adalah penggunaan tiga sensor secara simultan yang memberikan cakupan deteksi lebih komprehensif. MQ-3 sensitif terhadap etanol produk fermentasi, MQ-135 mendeteksi spektrum VOC lebih luas, sedangkan DHT11 memantau faktor lingkungan yang mempengaruhi laju pembusukan. KESIMPULAN Penelitian ini berhasil merancang dan membangun sistem deteksi kesegaran makanan berbasis IoT menggunakan kombinasi sensor MQ-3, MQ-135, dan DHT11 pada ESP32 dengan antarmuka web real-time melalui Firebase. Dari 30 sampel pengujian pada tiga kondisi roti, sistem mencapai akurasi klasifikasi 93,3% dengan latensi rata-rata 972,1 ms dan error DHT11 rata-rata 0,56%. Analisis dominansi parameter menunjukkan MQ-3 (etanol) sebagai sensor paling sensitif yang mendeteksi perubahan status paling awal, membuktikan nilai tambah kombinasi multi-sensor dibandingkan pendekatan sensor tunggal. Terdapat beberapa keterbatasan penelitian yang perlu diakui secara eksplisit: (1) Pengujian hanya dilakukan pada satu jenis makanan (roti tawar) sehingga hasil belum dapat digeneralisasi untuk jenis makanan lain. (2) Jumlah sampel sebanyak 30 data masih relatif terbatas untuk klaim akurasi yang robust secara statistik. (3) Evaluasi akurasi sensor MQ-3 dan MQ-135 menggunakan gas standar belum dilakukan. (4) Pengujian ketahanan sistem jangka panjang dan stabilitas koneksi saat gangguan jaringan belum dilakukan. Untuk pengembangan selanjutnya, disarankan: (1) memperluas pengujian pada minimal 3–5 jenis makanan berbeda dengan jumlah sampel lebih besar (minimal 100 sampel), (2) melakukan validasi akurasi MQ-3 dan MQ-135 menggunakan gas standar atau alat ukur gas profesional, (3) mengintegrasikan algoritma machine learning untuk klasifikasi yang lebih presisi dan adaptif, serta (4) melakukan pengujian ketahanan sistem dalam skenario gangguan koneksi dan penggunaan jangka panjang. UCAPAN TERIMA KASIH Dengan rasa hormat dan terima kasih yang mendalam, kami mengucapkan apresiasi sebesar-besarnya kepada semua pihak yang telah memberikan dukungan, bantuan, dan kontribusi berarti dalam proses penyusunan penelitian ini. Penghargaan khusus kami sampaikan kepada: 1. Universitas Duta Bangsa Surakarta, atas fasilitas dan dukungan yang diberikan sehingga proses penyusunan dapat berjalan dengan baik. 2. Reynaldi Kurniawan, Bu Herliyani dan Bapak Afu, atas waktu, bantuan, serta informasi berharga yang sangat membantu dan berpengaruh positif terhadap isi dan kelengkapan jurnal ini. Kami menyadari sepenuhnya bahwa tanpa adanya kerja sama dan bantuan dari berbagai pihak, penyusunan penelitian ini tidak akan dapat terselesaikan dengan lancar. REFERENSI
[2] UNEP, "Food Waste Index Report 2024," United Nations Environment Programme, Nairobi, Kenya, 2024.
[3] A. Mishra, P. Gupta, dan S. Verma, "IoT-Enabled Food Spoilage Detection Using ESP32, DHT11 and MQ4 Sensor," IRJMETS, vol. 7, no. 6, pp. 1-7, 2025.
[4] A. Tailor, J. Murphy, dan R. Singh, "IoT-Based Food Quality Monitoring System," IET Wireless Sensor Systems, vol. 15, no. 2, pp. 1-12, 2025.
[5] B. V. Sangam et al., "IoT-Based Smart Food Spoilage Detection System," IEEE Conference, 2025.
[6] R. Sharma, P. Mehta, dan A. Singh, "Food Quality Monitoring System Using IoT-Based ESP32, DHT22 and MQ-135," IRJMETS, vol. 7, no. 6, pp. 1-8, 2025.
[7] R. Hidayat, A. Prasetya, dan B. Santoso, "Sistem Monitoring Gas dan Suhu Berbasis IoT," Jurnal Teknologi Informasi, vol. 10, no. 1, pp. 45-52, 2025.
[8] M. Taufiq dan D. Rahayu, "Pemanfaatan Sensor MQ-135 untuk Monitoring Kualitas Udara," Jurnal Ilmu Komputer, vol. 8, no. 2, pp. 88-95, 2024.
[9] S. Kumar et al., "IoT Based Food Spoilage Detection using Machine Learning," IEEE Conference, 2024.
[10] A. Ratri, S. Wibowo, dan H. Nugraha, "Perancangan Sistem Pemantauan Gas Berbasis IoT," Prosiding SNTI, pp. 112-118, 2024.
[11] Inteksis Widyadharma, "Sistem Pendeteksi Alkohol Berbasis IoT Menggunakan MQ-3 dan ESP32," Jurnal INTEKSIS, 2025.
[12] F. Putri et al., "Sistem Monitoring Suhu, Kelembapan dan Gas Berbasis IoT," JITET, vol. 13, no. 3S1, 2025.
[13] Espressif Systems, "ESP32 Series Datasheet v4.4," Espressif Systems, Shanghai, 2023.
