<![CDATA[Penilaian kualitas tembakau masih banyak dilakukan secara manual oleh tenaga ahli, sehingga rentan terhadap subjektivitas dan inkonsistensi antarpenilai. Masalah ini dapat menghambat proses kontrol mutu, terutama ketika volume produksi tinggi dan diperlukan keputusan cepat serta akurat. Penelitian ini bertujuan untuk mengembangkan pendekatan klasifikasi kualitas tembakau berbasis pembelajaran mesin yang terintegrasi dengan perangkat electronic nose (E-Nose) sebagai solusi yang lebih objektif dan terukur. Sebanyak 375 sampel tembakau yang mewakili empat tingkat kekeringan dikumpulkan dan diolah menggunakan metode Interquartile Range (IQR) untuk menghilangkan outlier serta Moving Average untuk mereduksi noise pada sinyal sensor MQ-4, MQ-7, dan MQ-135. Dua algoritma klasifikasi, yaitu C4.5 dan Random Forest, diterapkan dan dievaluasi menggunakan stratified 10-fold cross-validation untuk memperoleh estimasi performa yang stabil. Hasil penelitian menunjukkan bahwa Random Forest memberikan performa terbaik dengan akurasi 93%, nilai Cohen’s Kappa 0.9259, MCC 0.9262, balanced accuracy 0.945, dan cross-entropy log loss 0.4291. Temuan ini memperlihatkan bahwa integrasi E-Nose dengan teknik ensemble learning mampu meningkatkan keandalan proses identifikasi kualitas tembakau. Secara keseluruhan, penelitian ini menyimpulkan bahwa sistem klasifikasi berbasis E-Nose dan pembelajaran mesin dapat dijadikan dasar pengembangan teknologi otomasi penilaian tembakau yang lebih cepat, konsisten, dan siap diterapkan pada skala industri]]>
