Gıda güvenliği için güvenilir aroma tespiti gereklidir, ancak geleneksel yöntemler (test kağıdı, kromatografi) doğruluk, hız, taşınabilirlik ve maliyet açısından yetersizdir. Bu çalışmada, aroma VOC analizi için istatistiksel yöntemler (t-SNE, MANOVA) ve makine öğrenmesi modellerini birleştiren sensör dizili bir E-burun sistemi önerilmiştir. Çikolata, karanfil, tarçın, zencefil ve aromasız olmak üzere beş sınıf incelenmiştir. Literatürdeki %95.73 doğruluk referansı ile Random Forest, ExtraTrees, XGBoost, CatBoost ve Stacking ensemble modelleri değerlendirilmiştir. Tüm modeller ikili testlerde çikolatayı mükemmel şekilde tespit etmiştir. Stacking aromasız sınıfında %50, diğer aromalarda %94'e kadar başarı göstermiştir. İstatistiksel yöntemler özellikle ikili testlerde belirgin VOC ayrımı sağlamıştır.
Ensuring food-supply safety requires reliable aroma/flavour detection, yet conventional tools (test paper, cyclotron, chromatography) often lack accuracy, broad detection range, speed, portability, and low cost. We propose a sensor array electronic nose (E nose) for aroma VOC analysis and prediction, combining statistical visualization/discrimination (t SNE, MANOVA) with machine learning models. Five classes were studied: chocolate, clove, cinnamon, ginger, and an unflavoured VOC set. Using a literature benchmark of 95.73% accuracy, we evaluated Random Forest, ExtraTrees, XGBoost, CatBoost, and a Stacking ensemble for 5 class prediction and one vs rest tests. All models perfectly identified chocolate in one vs rest prediction. Stacking performed poorly for unflavoured vs others (50%), whereas other aromas reached up to 94%. Statistical methods showed clear VOC separation, especially in one vs rest analyses.