DT - Agriculture Technology

Pengembangan Sistem Identifikasi Jenis, Indikasi Geografis, dan Tingkat Sangrai Kopi Berbasis Multi-Channel Spectral Sensor dan Machine Learning

Thu, 01 Jan 2026 00:00:00 GMT

Pengembangan Sistem Identifikasi Jenis, Indikasi Geografis, dan Tingkat Sangrai Kopi Berbasis Multi-Channel Spectral Sensor dan Machine Learning Sagita, Diang Industri kopi saat ini menghadapi tantangan dalam penilaian dan karakterisasi kualitas kopi seiring dengan meningkatnya permintaan kopi berkualitas tinggi (spesialti) dan kejelasan asal usul rantai pasoknya. Dengan demikian, kebutuhan akan teknik penilaian kualitas yang tepat dan andal menjadi semakin penting, tidak hanya menjamin konsistensi dan keunggulan produk kopi, tetapi juga mendukung praktik berkelanjutan dan perdagangan yang adil (tidak ada pengoplosan dan pemalsuan) dengan menyediakan standar objektif untuk mengevaluasi biji kopi mulai dari bahan baku kopi hijau (green bean) hingga kopi sangrai (roasted bean). Hal yang mendesak untuk diselesaikan pada kopi hijau adalah asal usul jenis kopi dan indikasi geografis (IG) yang merupakan faktor yang paling berpengaruh terhadap harga jual dan kualitas awal dari kopi sebelum disangrai. Sementara pada kopi sangrai, tingkat sangrai merupakan faktor penting khususnya untuk menjaga konsistensi citarasa dari kopi yang dihasilkan. Penelitian terdahulu telah banyak mengembangkan teknik dan metode identifikasi untuk jenis, indikasi geografis dan tingkat sangrai kopi. Beberapa diantaranya adalah berbasis teknik kromatografi, spektrometri massa, dan yang cukup dominan adalah spektroskopi (UV-Vis, NIR). Namun demikian, penelitian berbasis spektroskopi masih menggunakan instrumen standar skala laboratorium yang biayanya masih cenderung tinggi dan terbatas dalam penerapannya secara luas khususnya di industri kopi skala kecil dan menengah. Kemajuan teknologi saat ini telah menawarkan sensor cerdas berbasis multispektral yang ukurannya kecil, rentang panjang gelombang yang cukup luas dari visible hingga NIR, dan biaya yang relatif rendah. Sifat akuisisi data dari sensor yang tidak merusak dan cepat, serta dipadukan dengan pemodelan machine learning (ML) yang unggul menjadikannya kandidat potensial untuk pengembangan sistem identifikasi kopi mulai dari jenis, IG dan tingkat sangrainya. Sejauh penelusuran yang telah dilakukan, belum ditemukan penelitian dan publikasi yang mengaplikasikan sensor spektral multi-channel khususnya AS7265X untuk identifikasi jenis, IG dan tingkat sangrai kopi. Berdasarkan latar belakang tersebut, tujuan utama penelitian ini adalah mengembangkan sistem identifikasi jenis, indikasi geografis, dan tingkat sangrai kopi berbasis sensor spektral multi-channel yang dipadukan dengan algoritma ML. Untuk mencapai tujuan tersebut, beberapa tahapan penelitian dilakukan mulai dari (1) merancang sistem akuisi data berbasis sensor spektral multi-channel (410–940 nm) untuk evaluasi biji kopi, (2) mengeksplorasi penggunaan sensor spektral multi-channel yang dipadukan dengan algoritma ML untuk identifikasi jenis dan indikasi geografis kopi hijau, (3) melakukan kajian terhadap perubahan karakteristik fisik dan spektral kopi selama penyangraian dan secara khusus mengkaji kinetika indeks Agtron yang merupakan standar nilai tingkat sangrai terkuantifikasi, (4) mengeksplorasi penggunaan sensor spektral multi-channel yang dipadukan dengan algoritma ML untuk memprediksi nilai Agtron dan menanamkan model terbaiknya ke dalam prototipe. Pada tahap pertama, prototipe perangkat akuisisi data spektral dengan sistem perekaman data berbasis IoT berhasil dirancang dan dibangun berdasarkan kriteria desain. Dimensi keseluruhan perangkat adalah 160 mm × 160 mm × 140 mm dengan berat sekitar 600 g. Perangkat ini dapat menangkap data spektral (reflektansi) dan menyimpannya dalam sistem cloud berbasis Google Sheet. Data yang direkam meliputi tanggal, waktu, dan data original reflektansi dari kombinasi 3 LED (violet, putih, IR) yang ditangkap oleh 18 channel panjang gelombang 410-940 nm. Selain data spektral original, konfigurasi tambahan dilakukan dengan menangkap reflektansi LED violet pada panjang gelombang 560-705 nm (6 channel) dan LED putih pada panjang gelombang 410–535 nm (6 channel). Pendekatan ini memungkinkan penambahan informasi intrinsik yang lebih banyak dari kopi karena sumber cahaya yang berbeda memungkinkan respons nilai spektral yang berbeda pula. Komponen perangkat yang digunakan sistem ini dibangun dengan biaya dasar bahan dan komponen sekitar 2 juta rupiah. Pada tahap kedua, dilakukan studi explorasi penggunaan sensor spektral multi-channel untuk mengidentifikasi jenis dan indikasi geografis kopi hijau. Dua jenis kopi (Arabika dan Robusta) dari empat indikasi geografis (Arabika Flores – AF, Arabika Gayo – AG, Robusta Dampit – RD, dan Robusta Temanggung – RT) digunakan sebagai sampel. Pemodelan dilakukan menggunakan algoritma ML klasifikasi seperti LDA, ANN, RF, dan SVM. Analisis fisikokimia dilakukan pada sampel untuk mengetahui sifat intrinsiknya menggunakan PCA. Hasil menunjukkan bahwa identifikasi jenis kopi mampu mencapai akurasi sempurna 100% menggunakan LDA dengan basis 24 dan 30 data spektral. Untuk identifikasi indikasi geografis, akurasi validasi tertinggi yaitu 0,917 dicapai dengan LDA menggunakan input 24 data spektral. Metode pretreatment data diterapkan dan kinerjanya dievaluasi. Namun, semua metode tersebut tidak memberikan peningkatan kinerja klasifikasi. Pada tahap ketiga, sampel kopi hijau Arabika dan Robusta disangrai pada sembilan waktu yang berbeda (3-11 menit) dan dievaluasi karakteristiknya. Karakteristik yang dianalisis meliputi nilai Agtron, warna (L*, a*, b*, C*, hue), kadar air, massa 10 biji, densitas kamba dan data spektral dari 18 channel panjang gelombang (410-940 nm). Kinetika nilai Agtron sebagai indikator utama penyangraian dimodelkan dan korelasinya terhadap parameter fisik dan spektral dievaluasi. Hasil menunjukkan bahwa Indeks Agtron menurun secara konsisten dengan waktu penyangraian tahap 2 (> 5 menit) untuk kedua jenis kopi, mengikuti kinetika orde nol dan orde pertama (tipe II) dengan nilai R² tinggi dan RMSE rendah. Data gabungan menunjukkan nilai korelasi positif (r) yang tinggi antara Agtron dan L*, b*, dan C* (0,91-0,95), yang menunjukkan bahwa parameter fisik ini dapat berfungsi sebagai alternatif yang andal untuk indeks Agtron. Nilai Agtron menunjukkan korelasi yang sangat tinggi dengan data spektral (r = 0,99) pada panjang gelombang 810 nm, 860 nm, dan 900 nm. Lebih lanjut, pemodelan matematika menggunakan data spektral individual dilakukan untuk menduga nilai Agtron. Model dengan kinerja terbaik adalah menggunakan reflektansi pada 860 nm dengan model polinomial orde kedua (R²cv = 0,985, RMSEcv = 4,671). Pada tahap keempat, studi explorasi penggunaan sensor spektral multi-channel dilakukan untuk memprediksi tingkat sangrai dalam indeks Agtron menggunakan teknik kemometrika dan ML sebagai upaya menghasilkan model prediksi yang berkinerja tinggi. Data spektral dari sampel Arabika dan Robusta pada berbagai tingkat sangrai dikumpulkan dan dimodelkan. Pemodelan tahap satu dilakukan menggunakan teknik kemometrika klasik seperti MLR dan PLSR pada dataset terpisah (Arabika dan Robusta) dan data gabungan, sementara tahap dua dilakukan menggunakan algoritma ML seperti ANN, RF dan SVM dan digabungkan dengan teknik penyetelan hiperparameter dan pemilihan fitur. Semua pendekatan memberikan akurasi prediksi yang tinggi (R²v > 0,983, RMSEV < 4.7, RPD > 7.7), bahkan dengan hanya menggunakan 50% data spektral terpilih. Selain itu, model yang dipilih berhasil diintegrasikan ke dalam perangkat mikrokontroler mandiri dan memberikan hasil yang andal (R2 0,965–0,967 dan RMSE < 3), bahkan pada sampel baru dari jenis kopi yang berbeda (Liberica dan Excelsa).; The coffee industry is currently facing challenges in assessing and characterising coffee quality, in line with the growing demand for high-quality (specialty) coffee and transparency in its supply chain. Consequently, the need for precise and reliable quality assessment techniques has become increasingly important, not only to ensure the consistency and excellence of coffee products but also to promote sustainable practices and fair trade (preventing blending and adulteration) by providing objective standards for evaluating coffee beans, from green beans to roasted beans. A key issue to be addressed in green coffee is the determination of coffee species and geographical indication, which are the most influential factors affecting the selling price and initial quality of coffee before roasting. In roasted coffee, the roasting degree is a crucial factor, particularly for maintaining the consistency of flavour in the final product. Previous studies have extensively developed techniques and methods for identifying coffee species, geographical indication, and roasting degree. Some of these approaches are based on chromatographic techniques and mass spectrometry, while the most widely used are spectroscopic methods (UV-Vis and NIR). However, spectroscopic research still largely relies on standard laboratory-scale instruments, which remain relatively expensive and have limited widespread application, particularly within small and medium-sized coffee industries. Recent technological advances have introduced smart multispectral sensors that are compact, cover a broad wavelength range from the visible region to the NIR, and are relatively low-cost. Their rapid, non-destructive data acquisition, combined with the strong performance of machine learning (ML) modelling, makes them a promising candidate for developing coffee identification systems, including species, geographical indication, and roasting degree. To the best of our knowledge, no studies or publications have yet applied multi-channel spectral sensors, particularly the AS7265X, for identifying coffee species, geographical indication, and roasting degree. Based on this background, the main objective of this research is to develop a coffee identification system for species, geographical indication, and roasting degree using a multi-channel spectral sensor integrated with ML algorithms. To achieve this objective, several stages of research were conducted: (1) designing a multi-channel spectral sensor-based data acquisition system (410–940 nm) for coffee bean evaluation; (2) exploring the use of multi-channel spectral sensors combined with ML algorithms to identify the species and geographical indications of green coffee beans; (3) examining the changes in physical and spectral characteristics of coffee during roasting and specifically analysing the kinetics of the Agtron index, which is the quantified standard for roasting degree; and (4) exploring the use of multi-channel spectral sensors combined with ML algorithms to predict the Agtron index and embedding the best-performing model into a prototype device. In the first stage, a prototype of a spectral data acquisition device with an IoT-based data recording system was successfully designed and constructed according to the design criteria. The overall dimensions of the device are 160 mm × 160 mm × 140 mm, with a weight of approximately 600 g. The device can capture spectral (reflectance) data and store them in a cloud-based system using Google Sheets. The recorded data include the date, time, and original reflectance values obtained from the combination of three LEDs (violet, white, and IR) detected by 18 wavelength channels (410–940 nm). In addition to the original spectral data, an additional configuration was implemented to capture reflectance from the violet LED at wavelengths of 560–705 nm (6 channels) and from the white LED at 410–535 nm (6 channels). This approach enables the acquisition of more intrinsic information from coffee, as different light sources provide different spectral responses. The total material and component cost of the system was approximately two million rupiah. In the second stage, an exploratory study was carried out to investigate the use of the multi-channel spectral sensor for identifying the species and geographical indication of green coffee. Two coffee species (Arabica and Robusta) from four geographical indications (Arabica Flores – AF, Arabica Gayo – AG, Robusta Dampit – RD, and Robusta Temanggung – RT) were used as samples. Modelling was conducted using classification ML algorithms such as LDA, ANN, RF, and SVM. Physicochemical analyses were also performed on the samples to determine their intrinsic properties using PCA. The results showed that coffee species identification achieved perfect accuracy (100%) using LDA with 24 and 30 spectral data inputs. For geographical indication identification, the highest validation accuracy (0.917) was achieved with LDA using 24 spectral data inputs. Data pretreatment methods were also applied and evaluated, but none improved classification performance. In the third stage, Arabica and Robusta green coffee samples were roasted at nine different durations (3–11 minutes) and their characteristics were evaluated. The parameters analysed included the Agtron value, colour attributes (L*, a*, b*, C*, hue), moisture content, mass of 10 beans, bulk density, and spectral data from 18 wavelength channels (410–940 nm). The kinetics of the Agtron value as the main indicator of roasting were modelled, and their correlations with physical and spectral parameters were assessed. The results showed that the Agtron index consistently decreased with roasting time beyond five minutes (stage 2) for both coffee species, following zero-order and first-order (type II) kinetics with high R² values and low RMSE. The combined data revealed strong positive correlations (r) between Agtron and L*, b*, and C* (0.91–0.95), suggesting that these physical parameters can serve as reliable alternatives to the Agtron index. The Agtron value also showed an extremely high correlation (R = 0.99) with spectral data at wavelengths of 810 nm, 860 nm, and 900 nm. Furthermore, mathematical modelling using individual spectral data was performed to estimate the Agtron value, with the best performance obtained using reflectance at 860 nm and a second-order polynomial model (R²cv = 0.985, RMSECV = 4.671). In the fourth stage, an exploratory study on the use of the multi-channel spectral sensor was conducted to predict the roasting degree in terms of the Agtron index using chemometric and ML techniques, aiming to produce a high-performance predictive model. Spectral data from Arabica and Robusta samples at various roasting degrees were collected and modelled. The first-stage modelling was performed using the classical chemometric technique such as MLR and PLSR on separate datasets (Arabica, Robusta, and combined), while the second stage used ML algorithms, such as ANN, RF, and SVM, combined with hyperparameter tuning and feature selection. All approaches achieved high predictive accuracy (R²v > 0.983, RMSEV < 4.7, RPD > 7.7), even with 50% of the selected wavelength. Furthermore, selected model was successfully embedded into a stand-alone microcontroller device and delivered reliable results (R2 0.965–0.967 and RMSE < 3), even on new samples from different coffee types (Liberica and Excelsa).

Analisis Ultrafine Bubble untuk Meningkatkan Kinerja Bahan Bakar Motor Diesel

Thu, 01 Jan 2026 00:00:00 GMT

Analisis Ultrafine Bubble untuk Meningkatkan Kinerja Bahan Bakar Motor Diesel Asbanu, Husen Bahan bakar biosolar merupakan campuran solar fosil dan biodiesel (FAME) yang digunakan di Indonesia untuk menurunkan emisi gas rumah kaca, meningkatkan ketahanan energi nasional, serta mengurangi ketergantungan pada bahan bakar minyak. Namun demikian, baik biosolar maupun biodiesel masih memiliki beberapa kelemahan, seperti kestabilan oksidasi yang rendah, viskositas yang relatif tinggi, serta performa pembakaran yang belum optimal. Untuk mengatasi hal tersebut, salah satu pendekatan yang dikembangkan adalah pemanfaatan ultrafine bubble berbasis oksigen yang merupakan gelembung berukuran kurang dari 1 µm yang memiliki stabilitas tinggi, mudah terdispersi, dan mampu memengaruhi sifat fisika kimia bahan bakar. Penelitian ini bertujuan mengevaluasi pengaruh injeksi ultrafine bubble dalam bahan bakar terhadap sifat fisika kimia, kestabilan oksidatif, karakteristik gelembung secara mikroskopis, kinerja pembakaran, serta perubahan struktur kimia FAME pada bahan bakar B0, B35, dan B100. Penelitian dilakukan melalui serangkaian uji eksperimental di laboratorium, ultrafine bubble dihasilkan dengan mengalirkan oksigen melalui nozzle venturi sehingga terbentuk gelembung berdiameter di bawah 1 µm, kemudian disirkulasikan ke dalam 2,5 liter bahan bakar dengan laju oksigen 1, 3, dan 5 lpm selama 10-60 menit. Sampel sebelum dan sesudah perlakuan diuji untuk melihat perubahan kinerja dan sifat fisikokimia, meliputi densitas, viskositas, dan bilangan asam, serta stabilitas oksidatif berdasarkan metode standar ASTM untuk minyak dan gas. Ukuran dan distribusi gelembung diamati menggunakan particle analyzer, stabilitas muatan permukaan dianalisis dengan zeta analyzer, sedangkan potensi perubahan pada struktur kimia FAME diidentifikasi melalui pengujian GC-MS. Seluruh data kemudian dianalisis secara statistik untuk menilai besarnya pengaruh UFB terhadap kualitas bahan bakar. Hasil pengujian karakteristik fisika kimia menunjukkan adanya peningkatan angka cetana seiring meningkatnya laju alir dan durasi injeksi UFB. Pada B0, angka cetana naik dari 56,5 menjadi 63; pada B100 meningkat dari 59,2 menjadi 61,4; dan pada B35 naik dari 57,2 menjadi 60,6 pada injeksi 5 lpm selama 60 menit. Perlakuan UFB pada ketiga jenis bahan bakar tersebut juga menyebabkan sedikit penurunan viskositas, densitas, suhu titik distilasi, dan titik nyala yang mengindikasikan perbaikan kualitas pembakaran. Stabilitas oksidasi bahan bakar menurun seiring bertambahnya volume dan durasi injeksi oksigen, namun masih berada dalam batas standar mutu bahan bakar. Hasil pengamatan karakteristik mikroskopis memperlihatkan bahwa ultrafine bubble terdistribusi secara homogen di dalam bahan bakar dan mampu menurunkan ukuran gelembung secara signifikan seiring bertambahnya durasi injeksi oksigen. Perubahan diameter gelembung dominan pada B100 berkurang dari 12 nm menjadi 7 nm, pada B35 dari 295 nm menjadi 255 nm, serta pada B0 dari 141 nm menjadi 38 nm. Reduksi ukuran ini menunjukkan peran ultrafine bublke dalam mendispersikan partikel dengan memutus ikatan aglomerat sehingga sistem menjadi lebih stabil. Seiring bertambahnya waktu penyimpanan hingga minggu keempat, ukuran gelembung kembali meningkat akibat terjadinya penggabungan dan aglomerasi partikel, dengan diameter gelembung 16 nm pada bahan bakar B100, 342 nm pada B35, dan 122 nm pada B0. Meskipun terjadi peningkatan ukuran, bahan bakar yang diberi perlakuan ultrafine bubble tetap menunjukkan kestabilan dispersi yang lebih baik dan masih beraada pada standar gelembung ultrafine bubble dibandingkan sampel tanpa perlakuan. Zeta potensial negatif -25 turut membantu mempertahankan kestabilan sistem selama waktu simpan. Secara Keseluruhan, perlakuan ultrafine bubble dengan laju 1, 3, dan 5 lpm selama 60 menit dan penyimpanan hingga 30 hari tetap memenuhi standar kualitas bahan bakar B0, B35, dan B100. Analisis GC-MS mendukung bahwa perlakuan ultrafine bubble tidak mengubah struktur utama FAME pada B100, hanya menimbulkan oksidasi ringan pada senyawa minor. Penurunan kecil pada metil oleat dan metil linoleat serta kestabilan metil palmitat menunjukkan degradasi minimal yang justru berpotensi meningkatkan homogenitas, stabilitas kimia, dan efisiensi pembakaran. Penurunan stabilitas oksidasi terlihat dari berkurangnya waktu induksi. Pada B0, waktu induksi turun dari 186,9 menjadi 115,9 menit; pada B35 dari 194,35 menjadi 76,1 menit; dan pada B100 dari 77,33 menjadi 58,2 menit (perlakuan 5 lpm selama 60 menit). Analisis regresi menunjukkan durasi injeksi optimum untuk B100 adalah 100 menit dengan nilai stabilitas oksidasi BBM 49 menit, serta bahan bakar B0 optimum pada 130 menit dengan stabilitas oksidasi BBM 45 menit, dan bahan bakar B35 optimum pada 90 menit dengan Stabilitas Oksidasi 45 menit. Hasil pengujian kinerja menunjukkan bahwa perlakuan ultrafine bubble mampu meningkatkan kwalitas bahan bakar, daya mesin sekaligus menurunkan konsumsi bahan bakar dan emisi gas buang. Peningkatan daya tertinggi terjadi pada bahan bakar B100 sebesar 18,2%, diikuti B35 sebesar 13,67% dan B0 sebesar 10,67%. Sementara itu, konsumsi bahan bakar mengalami penurunan masing masing sebesar 19,40 ml/s untuk B100, 18,90 ml/s untuk B35, dan 16,58 ml/s untuk B0. Selain itu, perlakuan UFB juga efektif menurunkan emisi, sebesar 51,7% untuk B0, 37% untuk B35, dan 26% untuk B100. Temuan ini menegaskan bahwa injeksi ultrafine bubble efektif dalam meningkatkan performa pembakaran, menurunkan polusi serta efisiensi energi pada berbagai jenis bahan bakar diesel.

Pengembangan Sensor Cetak Chipless RFID Berbasis Nanokomposit CuNP-rGO-PANI untuk Multi-Analyte Sensing dan Evaluasi Kinerja Nirkabel

Thu, 01 Jan 2026 00:00:00 GMT

Pengembangan Sensor Cetak Chipless RFID Berbasis Nanokomposit CuNP-rGO-PANI untuk Multi-Analyte Sensing dan Evaluasi Kinerja Nirkabel Wisudawaty, Priska Sensor cetak berbasis tinta konduktif berperan penting dalam mendukung transformasi digital di sektor manufaktur dan logistik, khususnya pada kemasan cerdas untuk produk sensitif seperti pangan, farmasi, dan elektronik. Sensor ini memungkinkan integrasi fungsi identifikasi dan pemantauan kondisi lingkungan secara nirkabel dengan biaya rendah dan fleksibilitas tinggi. Pendekatan chipless RFID menjadi solusi menjanjikan karena menghilangkan kebutuhan chip aktif, sehingga lebih sesuai untuk produksi masal dan sistem internet of things (IoT) pasif. Namun demikian, kompleksitas desain resonator dan keterbatasan material konduktif cetak masih menjadi tantangan utama, sehingga diperlukan pengembangan material fungsional dan formulasi tinta yang sederhana, stabil, dan mudah diskalakan melalui metode screen printing. Material berbasis grafena memiliki sifat listrik dan mekanik yang unggul, namun kecenderungan restacking antar lembaran reduced graphene oxide (rGO) dapat menurunkan kinerjanya. Dalam penelitian ini, polianilin (PANI) berperan sebagai matriks polimer sekaligus spacer utama yang mencegah restacking rGO dan membentuk struktur berpori, sedangkan nanopartikel tembaga (CuNP) berfungsi sebagai conductive bridge yang memperpendek jalur perkolasi elektron dan meningkatkan konduktivitas listrik. Kombinasi CuNP-Rgo-PANI dirancang sebagai material multifungsi yang berperan sebagai elemen konduktif sekaligus elemen sensitif pada sensor cetak chipless RFID. Penelitian ini berfokus pada pengembangan sensor cetak chipless RFID berbasis nanokomposit CuNP-rGO-PANI dan evaluasi kinerjanya melalui dua aspek utama, yaitu (i) kemampuan sensing multi-analit, yang direpresentasikan oleh respon sensor terhadap amonia (NH3), etanol, dan kelembaban, serta (ii) keandalan pembacaan nirkabel (reading robustness) terhadap variasi jarak baca dan sudut pembacaan. Parameter S11 dan S21 digunakan sebagai indikator perubahan karakteristik resonansi frekuensi tinggi akibat interaksi material dengan analit, bukan sebagai parameter sensing itu sendiri. Respon sensor bersifat near real-time, di mana perubahan sifat listrik nanokomposit dapat terdeteksi secara langsung melalui pergeseran dan atenuasi sinyal resonansi tanpa proses pasca pengolahan yang kompleks. Tahap pertama penelitian mencakup sintesis nanokomposit CuNP-rGO-PANI serta karakterisasi struktural, morfologi, dan interaksi kimia antar komponen. Hasil raman menunjukkan peningkatan rasio ID/IG akibat interaksi CuNP dan proses termal, sementara analisis SEM mengonfirmasi dispersi CuNP berukuran nano dengan ukuran ekuivalen rata-rata 11,48 nm dalam matriks rGO-PANI. Hasil FTIR mengindikasikan adanya interaksi kimia antar komponen, dan stabilisasi CuNP dalam matriks PANI terbukti membantu mengurangi restacking grafena. Hasil ini menegaskan bahwa nanokomposit CuNP-rGO-PANI memiliki potensi tinggi sebagai material tunggal multifungsi yang mampu berperan sekaligus sebagai elemen konduktif dan sensitif dalam sensor cetak chipless RFID. Tahap kedua berfokus pada optimasi formulasi tinta konduktif menggunakan pendekatan response surface methodology-central composite design (RSM-CCD). Hasil penelitian menunjukkan formulasi terbaik pada 74,52% material, 17,40% pengikat, dan waktu curing 10,09 menit, menghasilkan konduktivitas sekitar 5,03 S/cm dan resistansi sekitar 20,12 O dengan validitas model yang tervalidasi secara statistik. Tahap ketiga mengevaluasi kinerja sensor cetak terhadap berbagai analit dan performa pembacaan frekuensi tinggi untuk aplikasi chipless RFID. Sensor menunjukkan resonansi yang stabil di sekitar 8,58 GHz dengan penurunan tajam parameter S11 dan S21, serta mempertahankan respon resonansi yang andal hingga jarak baca sekitar 6,2 cm dan toleransi sudut pembacaan hingga ±30°. Sensor juga menunjukkan kemampuan multi-analyte sensing yang selektif, dengan respons paling kuat terhadap NH3 melalui mekanisme dedoping PANI yang diperkuat oleh rGO dan CuNP, sementara respons terhadap etanol dan kelembaban terdeteksi secara reproducible dan stabil. Secara keseluruhan, perubahan sifat listrik nanokomposit CuNP-rGO-PANI terbukti dapat dimanfaatkan secara efektif sebagai mekanisme sensing dalam sistem pembacaan nirkabel berbasis gelombang mikro untuk aplikasi sensor cetak chipless RFID.; Conductive ink-based printable sensors play an important role in supporting digital transformation in the manufacturing and logistics sectors, particularly in smart packaging for sensitive products such as food, pharmaceuticals, and electronics. These sensors enable the integration of identification and environmental monitoring functions wirelessly at low cost and with high flexibility. The chipless RFID approach is a promising solution because it eliminates the need for active chips, making it more suitable for mass production and passive internet of things (IoT) systems. However, the complexity of resonator design and the limitations of printable conductive materials remain major challenges, requiring the development of functional materials and ink formulations that are simple, stable, and easily scalable through screen printing methods. Graphene-based materials have superior electrical and mechanical properties, but the tendency for reduced graphene oxide (rGO) sheets to restack can reduce their performance. In this study, polyaniline (PANI) acts as both a polymer matrix and a main spacer that prevents rGO restacking and forms a porous structure, while copper nanoparticles (CuNP) function as conductive bridges that shorten the electron percolation path and increase electrical conductivity. The CuNP-rGO-PANI combination is designed as a multifunctional material that acts as both a conductive element and a sensitive element in chipless RFID printed sensors. This study focuses on the development of a printable chipless RFID sensor based on CuNP-rGO-PANI nanocomposites and the evaluation of its performance from two main perspectives: (i) multi-analyte sensing capability, as reflected by the sensor responses to ammonia (NH3), ethanol, and humidity; and (ii) the robustness of wireless readout under variations in reading distance and reading angle. The S11 and S21 parameters are employed as indicators of changes in high-frequency resonance characteristics resulting from interactions between the nanocomposite material and target analytes, rather than serving as direct sensing parameters. The sensor exhibits a near real-time response, wherein changes in the electrical properties of the nanocomposite are directly detected through resonance shifts and signal attenuation without the need for complex post-processing. The first stage of the study involved the synthesis of CuNP-rGO-PANI nanocomposites and comprehensive characterisation of their structural, morphological, and chemical properties. Raman spectroscopy revealed an increase in the ID/IG ratio, attributed to interactions between CuNPs and rGO as well as thermal processing effects. SEM analysis confirmed the homogeneous dispersion of nano-sized CuNPs within the rGO-PANI matrix, with an average equivalent particle size of 11.48 nm. FTIR spectra indicated the presence of chemical interactions among the composite components, while stabilisation of CuNPs within the PANI matrix was found to mitigate graphene restacking. These findings demonstrate that the CuNP-rGO-PANI nanocomposite is a promising multifunctional single material capable of simultaneously serving as both conductive and sensitive elements in printed chipless RFID sensors. The second stage focused on optimising the conductive ink formulation using a Response Surface Methodology–Central Composite Design (RSM–CCD) approach. The optimal formulation was determined to consist of 74.52% nanocomposite material, 17.40% binder, and a curing time of 10.09 minutes, yielding a conductivity of approximately 5.03 S/cm and an electrical resistance of approximately 20.12 O. The developed quadratic model exhibited strong statistical validity, confirming the reliability of the optimisation results. The third stage evaluated the performance of the printed sensor in response to various analytes as well as its high-frequency wireless readout characteristics for chipless RFID applications. The sensor exhibited a stable single resonance at approximately 8.58 GHz, accompanied by sharp decreases in the S11 and S21 parameters. Reliable resonance behaviour was maintained at reading distances of up to approximately 6.2 cm, with angular tolerance extending to ±30°. In addition, the sensor demonstrated selective multi-analyte sensing performance, with the strongest and fastest response observed for NH3, attributed to a PANI dedoping mechanism synergistically enhanced by rGO and CuNPs. Responses to ethanol and humidity were also detected in a reproducible and stable manner. Overall, the observed changes in the electrical properties of the CuNP–rGO–PANI nanocomposite confirm its effective utilisation as a sensing mechanism in microwave-based wireless readout systems for printed chipless RFID sensor applications.

REKAYASA SISTEM PEMBIAYAAN RANTAI PASOK KOPI DALAM KERANGKA TRANSFORMASI DIGITAL BERBASIS SISTEM TERDISTRIBUSI DI PULAU LOMBOK

Thu, 01 Jan 2026 00:00:00 GMT

REKAYASA SISTEM PEMBIAYAAN RANTAI PASOK KOPI DALAM KERANGKA TRANSFORMASI DIGITAL BERBASIS SISTEM TERDISTRIBUSI DI PULAU LOMBOK Hidayat, Agriananta Fahmi Pembiayaan rantai pasok kopi di Pulau Lombok masih banyak berjalan melalui hubungan informal dan mekanisme ijon. Dalam praktiknya, transaksi sering terjadi tanpa kontrak formal, tanpa verifikasi–validasi yang terdokumentasi, dan tanpa jejak audit yang konsisten. Akibatnya, bukti administratif mudah diperdebatkan, risiko moral hazard meningkat, dan ketidakpastian kualitas, kuantitas, waktu, serta pembayaran sulit dikendalikan. Kondisi ini membuat pembiayaan formal tersendat karena aktor yang berkepentingan tidak memiliki bukti yang cukup kuat untuk mendukung keputusan pembiayaan. Disertasi ini mengembangkan rekayasa sistem pembiayaan dalam kerangka transformasi digital berbasis sistem terdistribusi untuk memperkuat tata kelola pembiayaan. Sistem terdistribusi diperlukan karena bukti pembiayaan tersebar lintas organisasi, sehingga dibutuhkan informasi yang dapat disepakati bersama, sulit dimanipulasi, dan dapat diaudit kapan pun dibutuhkan. Karena itu, pembayaran tetap dilakukan melalui bank konvensional agar kompatibel dengan praktik berjalan, sementara sistem terdistribusi diposisikan sebagai trust/proof layer yang merekam bukti administrasi dan bukti proses secara konsisten lintas aktor. Tujuan penelitian ini adalah merekayasa sistem informasi tata kelola pembiayaan rantai pasok kopi berbasis koperasi yang mengikat proses TO-BE, kontrak berbasis risiko, diagnosis kesiapan (TOE–TTI), dan uji kelayakan operasional proof layer sehingga keputusan pembiayaan menjadi berbasis bukti dan dapat diaudit lintas aktor tanpa memindahkan settlement dana ke on-chain. Tahap awal penelitian memetakan proses pembiayaan eksisting menggunakan Business Process Model and Notation (BPMN) untuk menggambarkan aktor, aktivitas, dan aliran informasi sesuai kondisi lapangan. Selanjutnya, analisis kesenjangan supply chain finance (SCF) membandingkan kondisi aktual dengan karakteristik ideal SCF untuk menetapkan titik intervensi yang paling kritis. Rancangan BPMN TO-BE kemudian menempatkan koperasi sebagai pusat koordinasi pembiayaan sekaligus pusat koordinasi bukti, dengan langkah wajib verifikasi, validasi, dan perekaman bukti sebelum keputusan pembiayaan diambil. Uji persepsi multi-aktor digunakan untuk menilai penerimaan rancangan pada aspek proses, pembiayaan, kontrak, dan tata kelola. Hasil Tahap 1 menegaskan bahwa kendala utama bukan sekadar kekurangan modal, melainkan lemahnya tata kelola bukti dan aliran risiko. Pemetaan AS-IS memperlihatkan dominasi kontrol pembayaran dan harga oleh aktor perantara serta minimnya pembuktian yang dapat ditelusuri. Analisis kesenjangan SCF mengidentifikasi gap kelembagaan koperasi dan gap aliran risiko sebagai celah paling menentukan untuk membuka pembiayaan formal dan mendorong partisipasi investor. Pada uji persepsi, dukungan terhadap perubahan proses dan penguatan kontrak cenderung lebih kuat dibanding penerimaan terhadap pembagian risiko, sehingga desain governance perlu menekankan mekanisme bukti dan aturan yang jelas. Tahap berikutnya merancang kontrak pembiayaan berbasis risiko sebagai rule-driven contract lifecycle yang mencakup assessment, negotiation, execution, dan monitoring. Cooperative score digunakan untuk memetakan profil risiko koperasi dan mengarahkan pemilihan menu kontrak A/B/C. Kinerja operasional dinilai melalui SLA multi-dimensi dan konsekuensi diaktifkan melalui aturan penalty, buyback, dan reward yang terukur. Validasi deterministik dan simulasi Monte Carlo digunakan untuk menguji stabilitas rancangan dan memetakan sebaran outcome serta indikator risiko di bawah ketidakpastian. Kelayakan implementasi kemudian diuji melalui pengukuran kesiapan adopsi berbasis integrasi Technology, Organization, dan Environment (TOE) dan Trust, Transparency, dan Inclusion (TTI). Hasilnya menunjukkan kesiapan ekosistem berada pada level tinggi, namun dimensi transparency dan kesiapan investor menjadi titik lemah yang perlu ditangani secara spesifik. Pemetaan berbasis aktor menempatkan koperasi sebagai institusi paling siap untuk menjadi anchor implementasi, sedangkan investor memerlukan penguatan proposisi manfaat dan jaminan bukti yang dapat diverifikasi lintas peran. Tahap akhir menutup penelitian dengan uji kelayakan operasional menggunakan simulasi discrete-event berbasis kerangka tiga pilar: QoS jaringan, kualitas evidence, dan dampak ekonomi. Pilar evidence menilai apakah bukti dapat berfungsi sebagai marker governance yang committed, valid, dan timely, sementara perubahan kapasitas approval dan disiplin bukti diuji untuk melihat batas kelayakan dan mode kegagalan tata kelola pada kondisi operasi yang berbeda. Hasil penelitian menunjukkan bahwa rancangan kontrak berbasis risiko stabil (deterministik dan Monte Carlo), readiness ekosistem relatif tinggi namun transparency dan investor menjadi bottleneck, serta proof layer hanya layak ketika bukti memenuhi CVT dan approval gate tidak menimbulkan backlog; disertasi menghasilkan tiga luaran utama: model kontrak berbasis risiko, indeks kesiapan TOE–TTI, dan kerangka uji kelayakan tiga pilar untuk evaluasi end-to-end