<![CDATA[Identifikasi jenis larutan ionik merupakan salah satu bagian fundamental dalam bidang biomedis. Spektroskopi Impedansi Listrik (SIL) merupakan sebuah metode yang terbukti mampu mengidentifikasi proses elektokimia yang unik untuk setiap larutan, namun interpretasi hasil pengukuran pada SIL terbilang cukup rumit. Disisi lain, metode identifikasi secara cepat, akurat, dan tanpa reagen menjadi kebutuhan penting dalam bidang biomedis dan lingkungan. Penelitian ini bertujuan untuk mengevaluasi potensi penggunaan Unsupervised Machine learning, khususnya metode Principal component analysis (PCA) dan K-Means untuk menginterpretasikan hasil pengukuran spektroskopi impedansi listrik (SIL) sehingga mampu membedakan jenis larutan ionik NaCl, Ringer Laktat (RL), dan Simulated Body Fluid (SBF). Pengukuran impedansi dilakukan pada rentang frekuensi 1 Hz hingga 1 MHz menggunakan dua elektroda tanpa modifikasi permukaan. Selanjutnya, hasil pengukuran impedani berupa dan dianalisis untuk mengekstrak data. Proses analisis meliputi pra-pemrosesan data, reduksi dimensi menggunakan Principal component analysis (PCA), dan klasterisasi dengan algoritma K-Means. PCA mampu merangkum informasi sebesar 75.8% dalam dua komponen utama, dan hasil klasterisasi menunjukkan pemisahan yang cukup jelas antara ketiga jenis larutan dengan nilai accuracy sebesar 88.9%, Adjusted Rand Index (ARI) sebesar 0.6865, serta silhouette score sebesar 0.4473. Hasil ini menunjukkan bahwa penggunaan kombinasi algortima PCA dan K-Means memiliki potensi untuk interpretasi hasil SIL yang tidak memerlukan data berlabel (unsupervised) dengan performa yang kompetitif jika dibandingkan dengan metode supervised, sehingga lebih fleksibel untuk aplikasi dimana pelabelan data sulit dilakukan.]]>
Copyrights © 2025
