Identifikasi Jenis Larutan Ionik Berdasarkan Data Spektroskopi Impedansi Listrik Menggunakan Unsupervised Machine learning
DOI:
https://doi.org/10.59632/magnetic.v5i2.644Keywords:
K-means , Machine learning, PCA, Spektroskopi, ImpedansiAbstract
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.
Downloads
References
[1] G. Barbero, N. G. Fytas, I. Lelidis, J. V. da Silva Andrade, F. C. M. Freire, and A. J. Santana, ‘Determination of the recombination coefficient in electrolytic solutions from impedance spectroscopy measurements’, Journal of Electroanalytical Chemistry, vol. 907, pp. 1–18, 2022, doi: 10.1016/j.jelechem.2022.116070.
[2] H. Sela and D. R. Santosa, ‘The Effect of NaCl Concentration on the Ionic NaCl’, 2021.
[3] Q. Zhang, X. Liu, L. Yin, P. Chen, Y. Wang, and T. Yan, ‘Electrochemical impedance spectroscopy on the capacitance of ionic liquid–acetonitrile electrolytes’, Electrochim Acta, vol. 270, pp. 352–362, 2018, doi: 10.1016/j.electacta.2018.03.059.
[4] S. Zaim et al., ‘A new approach based on the combination of complex impedance and conductivity to investigate the interaction mechanisms of raw polysaccharides in aqueous solutions’, Mater Sci Energy Technol, vol. 6, pp. 343–350, 2023, doi: 10.1016/j.mset.2023.03.002.
[5] P. Ibba, A. Falco, B. D. Abera, G. Cantarella, L. Petti, and P. Lugli, ‘Postharvest Biology and Technology Bio-impedance and circuit parameters : An analysis for tracking fruit ripening’, Postharvest Biol Technol, vol. 159, no. May 2019, p. 110978, 2020, doi: 10.1016/j.postharvbio.2019.110978.
[6] C. Panagopoulou et al., ‘Non-Faradaic Impedimetric Detection of Heavy Metal Ions via a Hybrid Nanoparticle-DNAzyme Biosensor’, Biosensors (Basel), vol. 14, no. 7, 2024, doi: 10.3390/bios14070321.
[7] H. Abdelhamid, T. Z. Salem, M. A. Wahba, D. Mofeed, O. E. Morsy, and R. Abdelbaset, ‘A capacitive sensor for differentiation between virus-infected and uninfected cells’, Sens Biosensing Res, vol. 36, no. March, p. 100497, 2022, doi: 10.1016/j.sbsr.2022.100497.
[8] Z. Chen et al., ‘Electrochemical Impedance Spectroscopy (EIS) of NaCl-Saturated Sandy Soil at Sub-zero Temperatures’, Int J Electrochem Sci, vol. 16, pp. 1–18, 2021, doi: 10.20964/2021.09.02.
[9] X. Jiang, X. Zhang, T. Tang, and Y. Zhang, ‘Electromechanical impedance based self-diagnosis of piezoelectric smart structure using principal component analysis and LibSVM’, Sci Rep, vol. 11, no. 1, pp. 1–17, 2021, doi: 10.1038/s41598-021-90567-y.
[10] K. Król, T. Rymarczyk, E. Kozłowski, and K. Niderla, ‘Using principal component analysis and elastic net in logistic regression to identify the location of objects in EIT’, J Phys Conf Ser, vol. 2408, no. 1, pp. 1–14, 2022, doi: 10.1088/1742-6596/2408/1/012025.
[11] J. Schaeffer et al., ‘Machine Learning Benchmarks for the Classification of Equivalent Circuit Models from Electrochemical Impedance Spectra’, J Electrochem Soc, vol. 170, no. 6, p. 060512, 2023, doi: 10.1149/1945-7111/acd8fb.
[12] D. R. Santoso, B. Pitaloka, C. S. Widodo, and U. P. Juswono, ‘Low-Cost, Compact, and Rapid Bio-Impedance Spectrometer with Real-Time Bode and Nyquist Plots’, Applied Sciences 2020, Vol. 10, Page 878, vol. 10, no. 3, p. 878, Jan. 2020, doi: 10.3390/APP10030878.
[13] W. Sugianto, C. S. Widodo, D. R. Santoso, and W. H. Sela, ‘Preliminary study to detect quantity of erythrocyte using interdigitated electrode by electrical impedance spectroscopy method’, AIP Conf Proc, vol. 2314, no. 1, Dec. 2020, doi: 10.1063/5.0034059/724461.
[14] E. Rahmawati, D. R. Santoso, J. A. F. Noor, and A. Nadhir, ‘Electrical impedance analysis of NaCl and CaCl2 solutions based on equivalent electric circuit’, J Phys Conf Ser, vol. 2165, no. 1, p. 012025, Jan. 2022, doi: 10.1088/1742-6596/2165/1/012025.
[15] S. Abasi, J. R. Aggas, G. G. Garayar-Leyva, B. K. Walther, and A. Guiseppi-Elie, ‘Bioelectrical Impedance Spectroscopy for Monitoring Mammalian Cells and Tissues under Different Frequency Domains: A Review’, ACS Measurement Science Au, vol. 2, no. 6, p. 495, Dec. 2022, doi: 10.1021/ACSMEASURESCIAU.2C00033.
