Jurnal Telematika vol.
20 no.
e-ISSN: 2579-3772 doi: 10.
61769/telematika.
Algoritme Jaringan Syaraf Tiruan pada Perangkat e-Nose untuk Klasifikasi Madu Ahmad Dwi SyafiAoi1,*.
Mula Agung Barata2.
Roihatur Rohmah3
1,2,3
Program Studi Teknik Informatika.
Universitas Nahdlatul Ulama Sunan Giri Jl.
Ahmad Yani No.
Jambean.
Bojonegoro.
Indonesia ab26@gmail.
rohmah@unugiri.
Korespondensi: syafiidwi680@gmail.
____________________________________________________________________________________
AbstractAi Determining the type of honey is an essential step in maintaining the authenticity and quality of the This study developed an electronic nose system based on MQ-3 and MQ-135 gas sensors that record three main volatile parameters, namely carbon dioxide, acetone, and alcohol.
A total of 541 data samples were normalised using the minAemax method, then divided using a 75 per cent hold-out scheme for training and 25 per cent for The classification model used a multilayer perceptron artificial neural network with a 3Ae7Ae3 architecture.
Adam optimiser, learning rate of 0.
001, batch size of 32, and 1000 epochs.
Testing results on 135 test samples showed an overall accuracy of 88.
The evaluation per class shows that forest honey achieved 100% precision, 100% recall, and an F1-score of 100, cultivated honey achieved 97.
1% precision, 70.
8% recall, and an F1-score of 1, while trigona honey achieved 75.
0% precision, 97.
7% recall, and an F1-score of 84.
These findings indicate that the combination of e-nose and JST is capable of identifying honey with a high level of accuracy, while also opening up opportunities for the application of this method as a rapid detection system to support the authenticity of honey products.
KeywordsAi electronic nose, gas sensor, artificial neural network, multilayer perceptron, honey classification AbstractAi Penentuan jenis madu merupakan langkah penting guna menjaga keaslian dan mutu produk.
Penelitian ini mengembangkan sistem electronic nose berbasis sensor gas MQ-3 dan MQ-135 yang merekam tiga parameter volatil utama, yaitu karbon dioksida, acetone, dan alkohol.
Sebanyak 541 sampel data dinormalisasi menggunakan metode minAemax, kemudian dibagi dengan skema hold-out 75 persen untuk pelatihan dan 25 persen untuk pengujian.
Model klasifikasi menggunakan jaringan syaraf tiruan multilayer perceptron dengan arsitektur 3Ae7Ae3, optimizer Adam, laju pembelajaran 0,001, ukuran batch 32, dan 1000 Hasil pengujian pada 135 sampel uji menunjukkan akurasi keseluruhan sebesar 88,89.
Evaluasi per kelas memperlihatkan madu hutan mencapai presisi 100, recall 100, dan F1-score 100, madu budidaya memperoleh presisi 97,1, recall 70,8, dan F1-score 82,1, sedangkan madu trigona mencapai presisi 75,0, recall 97,7, dan F1-score 84,8.
Temuan ini menunjukkan bahwa kombinasi e-nose dan JST mampu mengidentifikasi madu dengan tingkat akurasi tinggi, sekaligus membuka peluang penerapan metode ini sebagai sistem deteksi cepat dalam mendukung keaslian produk madu.
Kata Kunci Ai electronic nose, sensor gas, jaringan syaraf tiruan, multilayer perceptron, klasifikasi madu
____________________________________________________________________________________
PENDAHULUAN
Madu merupakan nektar bunga yang dihisap oleh lebah dan dikumpulkan di sarangnya sebagai cadangan makanan .
Madu mengandung beberapa zat yang berguna untuk tubuh, seperti: asam amino, asam lemak, kalsium, fostfor, potassium dan sodium, zat besi, dan beberapa enzim seperti enzim amylase Algoritme Jaringan Syaraf Tiruan pada Perangkat e-Nose untuk Klasifikasi Madu dan enzim lilozim.
Menurut Standar Nasional Indonesia (SNI) 8664:2018 .
, kadar sukrosa dalam madu masih diperbolehkan hingga mencapai 5% b/b .
erat per bera.
dan kadar air yang diperbolehkan maksimal 22% b/b.
Dengan membatasi peredaran produk madu yang beredar di pasaran, maka akan dapat menekan angka penderita diabetes mellitus di Indonesia.
Menurut data International Diabetes Federation (IDF).
Indonesia tergolong dalam 5 besar penderita diabetes mellitus .
Madu memiliki nilai ekonomis yang tinggi.
Oleh karena itu, saat ini banyak oknum yan memalsukan Pemalsuan madu biasanya dilakukan dengan penambahan pemanis buatan atau gula .
ke dalam madu atau dengan penambahan bahan utama gula, air, dan bahan kimia sehingga sangat berbahaya jika diberikan kepada bayi atau penderita penyakit diabetes mellitus.
Madu murni dan palsu bisa dibedakan dari aromanya.
Madu asli mengandung aroma bunga atau rumput.
Sebaliknya, madu palsu tidak memiliki aroma bunga, tetapi hanya memiliki aroma pemanis .
Indra penciuman manusia masih terbatas untuk mengklasifikan jenis madu murni.
Oleh sebab itu, dibutuhkan perangkat elektronik yang dapat membedakan madu dengan klasifikasi yang akurat.
Perangkat elektronik nose .
-nos.
merupakan perangkat yang peka terhadap gas .
, maka perangkat e-nose dapat efektif dikembangkan untuk mengenali jenis madu.
Electronic nose .
-nos.
merupakan perangkat yang menyerupai hidung manusia dalam fungsinya.
Enose dirancang bisa mengenali pola gas .
pada sampel yang sedang diuji.
Peralatan ini dirancang menggunakan sensor gas yang sensitif terhadap gas dan bau .
Keuntungan menggunakan e-nose antara lain rendahnya biaya produksiA pengoprasian yang mudahAdan waktu respon yang rendah.
Secara umum enose memiliki 3 bagian utama, yaitu sistem pengiriman sampleA sistem pendeteksi gasA dan sistem komputasi yang berfungsi untuk menganalisis data yang dikirim dari sistem deteksi dan memberikan luaran pola yang menggambarkan bau atau aroma.
Banyak sekali sistem pemrosesan yang bisa dipakai untuk diterapkan pada peragkat e-nose.
Jaringan syaraf tiruan (JST) merupakan suatu sistem pemrosesan informasi yang menunjukkan karakteristik serupa dengan jaringan syaraf biologi .
Dengan menganalisis perubahan sifatsifat ini menggunakan alat matematis/statistik, dimungkinkan untuk mengevaluasi kinerja sensor dalam mengidentifikasi atau membedakan VOCs .
enyawa organik volati.
dan mengukur konsentrasi spesies tertentu yang terdapat dalam sampel yang diberikan.
Di antara keunggulan penggunaan e-nose, biaya produksi dan operasional yang rendah, kemudahan penggunaan, dan waktu respons yang singkat telah ditekankan .
Dalam penelitian yang dilakukan oleh Faal dkk.
, merancang dan menerapkan suatu sistem electronic nose .
-nos.
yang dipadukan dengan algoritme jaringan syaraf tiruan (ANN) untuk secara cepat memperkirakan nilai-nilai fisikokimia utama madu, yaitu kadar abu, keasaman bebas, kadar air, dan pH berdasarkan karakteristik aroma.
Data aroma dikumpulkan hingga fase pengukuran stabil .
teady-stat.
, kemudian diolah oleh model ANN.
Hasil analisis menunjukkan nilai koefisien determinasi (RA) yang cukup tinggi, yakni 0,838 untuk kadar abu, 0,918 untuk keasaman bebas, 0,926 untuk kadar air, dan 0,933 untuk Temuan ini menandakan bahwa model prediktif berhasil menjelaskan sebagian besar variabilitas dalam parameter-parameter tersebut sehingga membuktikan potensi e-nose berbasis ANN sebagai alat diagnostik non-invasif, efisien, dan andal dalam pengujian kualitas madu.
Penelitian yang dilakukan oleh Barata dkk.
memanfaatkan perangkat electronic nose .
-nos.
untuk mengklasifikasikan aroma teh.
Dataset diperoleh menggunakan e-nose yang dirancang dengan tiga jenis sensor gas, yaitu MQ8.
MQ135, dan MQ4.
Data yang terkumpul kemudian diuji menggunakan algoritme klasifikasi C4.
5 yang menghasilkan tingkat akurasi sebesar 93,6%.
Selanjutnya, dilakukan peningkatan performa dengan menerapkan teknik seleksi fitur chi-square.
Dari hasil pengujian, dipilih dua atribut dengan nilai chi-square tertinggi sehingga akurasi klasifikasi meningkat menjadi 94,7%.
Temuan ini menunjukkan bahwa pemanfaatan seleksi fitur mampu memberikan kontribusi nyata dalam meningkatkan akurasi model klasifikasi berbasis e-nose.
Penelitian yang dilakukan oleh Novita dkk.
berfokus pada identifikasi jenis kopi dengan memanfaatkan electronic nose .
-nos.
dan algoritme jaringan syaraf tiruan (JST).
Dataset diperoleh dari Algoritme Jaringan Syaraf Tiruan pada Perangkat e-Nose untuk Klasifikasi Madu sinyal luaran berupa tegangan sensor yang merepresentasikan aroma kopi.
Sampel yang digunakan terdiri atas empat kelas, yaitu kopi robusta natural, kopi robusta semiwash, kopi arabika natural, dan kopi arabika Hasil eksperimen menunjukkan bahwa model JST memiliki kinerja yang sangat baik dengan akurasi identifikasi mencapai 100% pada tiga jenis kopi .
obusta natural, arabika natural, dan arabika fullwas.
, serta 72% pada kopi robusta semiwash.
Capaian ini mengindikasikan bahwa pendekatan berbasis e-nose dan JST mampu menjadi metode alternatif yang efektif untuk proses klasifikasi aroma kopi, meskipun performanya masih dipengaruhi oleh variasi perlakuan pascapanen tertentu.
Penelitian yang dilakukan oleh Muhammad Hanib Jufal dkk.
, mengangkat topik klasifikasi kualitas madu berdasarkan parameter warna, tingkat kecerahan, dan pH.
Dataset diperoleh melalui perangkat akuisisi data yang menggunakan sensor TCS3200 untuk mendeteksi warna, sensor LDR untuk intensitas cahaya .
, serta sensor pH untuk derajat keasaman.
Data hasil akuisisi tersebut kemudian diproses menggunakan metode jaringan syaraf tiruan (JST) dengan algoritme backpropagation.
Dari hasil pengujian terhadap 18 sampel data yang diambil secara acak diperoleh tingkat akurasi klasifikasi sebesar 90,26%.
Temuan ini menunjukkan bahwa kombinasi sensor sederhana dengan model JST dapat digunakan sebagai pendekatan efektif dalam mengklasifikasikan kualitas madu, meskipun jumlah dataset yang digunakan relatif terbatas.
Penelitian lain yang terkait dengan kalsifikasi madu yang dilakukan oleh Niko Aji Nugroho dkk.
dengan topik AuRancang Bangun Sistem Klasifikasi Kelayakan Madu Berdasarkan Kadar Gula dan WarnaAy.
Penelitian ini menggunakan dataset madu yang dibagi ke dalam dua kelas, yaitu layak dan tidak layak.
Dataset diperoleh melalui perangkat yang dirancang dengan memanfaatkan sensor TCS3200 untuk mendeteksi warna madu.
Data hasil akuisisi kemudian diproses menggunakan algoritme k-nearest neighbors (KNN).
Hasil pengujian terhadap 10 sampel menunjukkan tingkat akurasi sebesar 90%.
Capaian ini mengindikasikan bahwa metode KNN dapat menjadi pendekatan yang cukup efektif dalam menentukan kelayakan madu berdasarkan parameter kadar gula dan warna.
Penelitian lainnya mengenai klasifikasi madu dilakukan oleh Ardiansyah .
dengan topik AuKlasifikasi Bayes untuk Penentuan Keaslian MaduAy.
Pada penelitian ini, dataset diperoleh melalui perangkat yang dirancang menggunakan tiga jenis sensor, yaitu sensor keasaman .
H), sensor warna TCS3200, dan sensor kekeruhan berbasis fotodioda.
Dataset yang dihasilkan dikelompokkan ke dalam tiga kelas, yakni madu murni, campuran sedang, dan campuran banyak.
Data yang diperoleh kemudian diproses menggunakan metode klasifikasi Bayes.
Hasil pengujian menunjukkan tingkat akurasi sebesar 88,9%, yang mengindikasikan bahwa pendekatan Bayes dapat digunakan sebagai metode alternatif dalam penentuan keaslian madu, meskipun akurasinya masih perlu ditingkatkan untuk aplikasi yang lebih luas.
Penelitian mengenai klasifikasi madu berdasarkan jenis lebah juga dilakukan oleh Diding Suhandy .
dengan memanfaatkan metode spektroskopi ultraviolet dan kemometrika.
Dataset yang digunakan berupa data spektra madu yang diperoleh menggunakan spektrometer dual beam UV-visible tipe benchtop.
Data spektra tersebut kemudian dianalisis menggunakan algoritme principal component analysis (PCA) untuk reduksi dimensi dan SIMCA .
oft independent modeling of class analog.
sebagai metode klasifikasi.
Hasil penelitian menunjukkan tingkat akurasi yang sangat tinggi, yakni mencapai 100% sehingga membuktikan bahwa kombinasi spektroskopi ultraviolet dan kemometrika dapat menjadi pendekatan yang sangat efektif dalam membedakan jenis madu berdasarkan spesies lebah penghasilnya.
Penelitian berikutnya mengenai rancang bangun alat pendeteksi keaslian madu dilakukan oleh Hujatur Rofiq .
Perangkat yang dikembangkan menggunakan kombinasi sensor TCS3200 untuk mendeteksi warna dan sensor gas TGS2600 untuk mendeteksi aroma madu.
Data hasil akuisisi dari kedua sensor tersebut kemudian diolah menggunakan metode fuzifikasi untuk menentukan tingkat keaslian madu.
Hasil pengujian terhadap 20 sampel menunjukkan tingkat keberhasilan sebesar 90%, yang mengindikasikan bahwa metode fuzifikasi dengan dukungan sensor warna dan aroma dapat digunakan sebagai pendekatan efektif dalam membedakan madu asli dan madu campuran.
Algoritme Jaringan Syaraf Tiruan pada Perangkat e-Nose untuk Klasifikasi Madu Penelitian dengan topik e-nose juga dilakukan oleh Balivo dkk.
yang berfokus pada autentikasi susu kambing yang dipelihara di padang rumput.
Perangkat e-nose yang digunakan dirancang dengan susunan sensor logam oksida semikonduktor (MOS) untuk mendeteksi profil aroma dari sampel susu.
Penelitian melibatkan 90 sampel susu mentah yang diambil dari 18 ekor kambing Saanen,dengan dua sistem pemeliharaan berbeda, yaitu kambing yang digembalakan di padang rumput dan kambing yang dipelihara dalam kandang.
Data aroma yang diperoleh kemudian dianalisis menggunakan metode linear discriminant analysis (LDA).
Hasil pengujian menunjukkan bahwa model LDA mampu mengklasifikasikan dengan tepat asal susu berdasarkan sistem pemberian pakan dengan tingkat akurasi sebesar 88%.
Temuan ini menunjukkan bahwa teknologi e-nose yang dipadukan dengan metode statistik multivariat dapat digunakan sebagai alat autentikasi dalam penentuan kualitas susu berdasarkan pola pemeliharaan ternak.
Penelitian dengan topik e-nose lainya dilakukan oleh Tangguh dkk.
dengan objek penelitian berupa tahu berformalin dan tahu tanpa formalin.
Sistem e-nose yang dirancang digunakan untuk menangkap profil aroma dari kedua jenis sampel, kemudian data hasil akuisisi diproses menggunakan algoritme klasifikasi nayve Bayes.
Hasil pengujian menunjukkan bahwa kombinasi e-nose dengan metode Nayve Bayes belum mampu memberikan performa klasifikasi yang optimal dengan tingkat akurasi yang diperoleh hanya sebesar 51%.
Temuan ini mengindikasikan bahwa meskipun e-nose berpotensi untuk digunakan dalam mendeteksi keberadaan formalin pada produk pangan, diperlukan pengembangan lebih lanjut baik dari sisi desain sensor maupun pemilihan algoritme klasifikasi agar kinerja sistem dapat ditingkatkan.
Berdasarkan uraian di atas dapat diketahui bahwa penggunaan electronic nose .
-nos.
telah banyak diterapkan untuk berbagai objek, seperti teh, kopi, susu, dan tahu, dengan tujuan utama klasifikasi kualitas maupun deteksi adanya pemalsuan.
Sementara itu, penelitian mengenai madu sebagian besar masih menekankan pada aspek keaslian dan kelayakan, misalnya dengan mendeteksi pemalsuan atau pencampuran.
Kajian yang secara khusus menyoroti klasifikasi jenis madu berdasarkan profil aroma masih jarang Oleh karena itu, penelitian ini diarahkan untuk mengisi celah tersebut dengan menerapkan algoritme jaringan syaraf tiruan backpropagation pada perangkat e-nose dalam upaya mengklasifikasikan jenis madu berdasarkan aromanya.
II.
METODOLOGI
Proses penelitian ini terdiri atas beberapa tahapan, dimulai dari pengambilan sampel madu, akuisisi data menggunakan e-nose, preprocessing, pembentukan dataset, pelatihan model JST backpropagation, hingga evaluasi kinerja.
Tahapan penelitian ini ditunjukkan pada Gambar 1.
Madu Madu merupakan cairan kental berwarna kuning pucat atau kuning kemasan yang memiliki rasa dan aroma khas.
Produk ini dihasilkan oleh lebah madu atau serangga sejenis tawon .
Madu alami berasal dari nectar yang terdapat dalam mahkota bunga dan diserap oleh lebah atau tawon.
Nektar tersebut dikumpulkan dan disimpan dalam sarang sebagai bahan persediaan makanan utama .
Proses pembuatan madu melibatkan pengunyahan sakarida oleh lebah yang menghasilkan madu dalam bentuk cair yang masih mengandung air.
Langkah selanjutnya melibatkan penguapan sebanyak mungkin air dan transformasi dengan bantuan enzim.
Proses ini bertujuan untuk menciptakan cadangan makanan yang tahan lama, terutama pada musim dingin.
Madu telah dikenal selama ribuan tahun, diakui karena khasiatnya yang Analisis oleh para ahli menunjukkan bahwa madu mengandung mineral, tujuh vitamin B kompleks, vitamin C, gula, dan komponen lainnya, seperti mineral, polifenol, asam amino, karotenoid, enzim, asam organik, serta senyawa yang mudah menguap .
Dengan nilai gizi yang tinggi, madu bukan sekadar pemanis alami, melainkan juga sumber nutrisi yang bermanfaat bagi kesehatan .
Menurut SNI 8664:2018 madu yang beredar di pasaran menjadi tiga, yaitu madu hutan, madu budidaya, madu tanpa sengat .
Algoritme Jaringan Syaraf Tiruan pada Perangkat e-Nose untuk Klasifikasi Madu Gambar 1 Diagram blok sistem klasifikasi madu menggunakan e-nose dan JST backpropagation Ketiga jenis madu yang beredar di pasaran adalah sebagai berikut:
Madu hutan adalah cairan alami yang umumnya mempunyai rasa manis yang dihasilkan oleh lebah liar Apis dorsata atau lebah liar Apis spp dorsata dari sari bunga tanaman hutan .
ectar flora.
atau bagian lain dari tanaman hutan .
xtra flora.
Madu budidaya adalah cairan alami yang umumnya mempunyai rasa manis yang dihasilkan oleh lebah budidaya Apis mellifera atau Apis cerana dari sari bunga tanaman .
ectar flora.
atau bagian lain dari tanaman .
xtra flora.
Madu lebah tanpa sengat .
adalah cairan alami yang umumnya mempunyai rasa manis yang dihasilkan oleh lebah tanpa sengat .
, baik liar maupun budidaya dari sari bunga tanaman .
ectar flora.
atau bagian lain dari tanaman .
xtra flora.
e-Nose e-Nose merupakan suatu perangkat yang dirancang khusus menyerupai fungsi hidung manusia yang terdiri dari beberapa sensor gas yang terhubung dengan mikrokontoler yang diprogram sesuai gas yang terdapat pada suatu objek yang dideteksi.
Gambar 2 memperlihhatkan perangkat yang electronic nose dirancang menggunakan beberapa komponen: Arduino Uno dan beberapa sensor gas MQ-series.
Beberapa macam sensor gas terdapat pada Tabel I.
Algoritme Jaringan Syaraf Tiruan pada Perangkat e-Nose untuk Klasifikasi Madu Jaringan Syaraf Tiruan Jaringan syaraf tiruan (JST) merupakan suatu sistem pemrosesan informasi yang menunjukkan karakteristik serupa dengan jaringan syaraf biologi .
JST dikembangkan sebagai model matematika yang umum dari jaringan syaraf biologis dengan asumsi-asumsi berikut:
Informasi diolah didalam elemen-elemen pemrosesan yang disebut neuron-neuron.
Sinyal dikirimkan diantara neuron-neuron melalui penghubung-penghubung.
Penghubung antar neuron memiliki bobot yang dapat memperkuat atau memperlemah sinyal yang Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi yang diterapkan pada jumlah input yang diterima.
Besarnya output ini kemudian dibandingkan dengan suatu ambang batas.
Arsitektur jaringan syaraf tiruan merupakan susunan neuron yang diorganisasikan dalam bentuk Secara umum, arsitektur jaringan syaraf tiruan dapat dibedakan menjadi beberapa jenis .
, namun pada penelitian ini difokuskan pada multilayer perceptron (MLP) yang terdiri dari lapisan input, lapisan tersembunyi .
idden laye.
, dan lapisan output.
Multilayer Perceptron Jaringan multilayer perceptron (MLP) terdiri dari tiga jenis lapisan utama, yaitu input layer, neuron input, dan satu atau lebih lapisan hidden layer.
Keberadaan hidden neuron memungkinkan jaringan ini menangani permasalahan yang lebih komplek dibandingkan dengan jaringan yang hanya memiliki satu Meskipun demikian, pelatihan jaringan dengan banyak lapisan ini sering memerlukan waktu yang TABEL I SENSOR GAS YANG DIGUNAKAN Sensor Yang Digunakan MQ-135
MQ- 3
Gas Yang Dideteksi CO2, aceton Gambar 2 e-Nose device Algoritme Jaringan Syaraf Tiruan pada Perangkat e-Nose untuk Klasifikasi Madu cukup lama.
Gambar 3 mengilustrasikan MLP dengan 4 neuron input, 2 hidden layer dengan masing masing layer memiliki 4 neuron, dan 2 output neuron.
Fungsi aktivasi dalam jaringan syaraf tiruan berperan dalam menetapkan hasil luaran dari suatu neuron.
Parameter dari fungsi aktivasi ini adalah jaringan masukan yang merupakan hasil kombinasi linier antara masukan dan bobotnya.
Fungsi aktivasi yang umum digunakan meliputi fungsi aktivasi ambang biner, sigmoid, ambang linier, atau fungsi aktivasi probabilistis .
Algoritme Backpropagasi Algoritme propagasi balik merupakan suatu algoritme pelatihan yang digunakan untuk melatih jaringan syaraf tiruan dengan arsitektur multilayer perceptron.
Algoritme ini merupakan algoritme yang sangat popular dan mudah dipahami.
Algoritme backpropagation memiliki dua tahapan, yaitu perhitungan maju untuk menghitung galat antara luaran dan target dan perhitungan mundur yang mempropagasi balik galat tersebut untuk memperbaiki bobot-bobot sinaptik pada semua neuron yang ada.
Berikut merupakan langkah-langkah dari algoritme back propagation:
- Langkah 0: Pemberian bobot sipnatik dengan memberikan nilai acak dalam interval [-1.
5, 0, .
, ataupun lainnya.
- Langkah 1: Ulangi langkah 2 sampai langkah 9 sampai akhir iterasi terpenuhi - Langkah 2: Masing masing data latih .
ata trainin.
lakukan langkah 3 sampai langka 8.
- Langkah 3: Masing-masing unit masukan .
i, i = 1.
A .
menerima sinyal input xi dan sinyal disebarkan ke hidden neuron.
- Langkah 4: Setiap neuron di hidden layer dikalikan dengan penimbang dan dijumlahkan serta ditambahkan dengan biasnya.
yc_ycnycu = ycCA Ocycn=1 ycuAycA Kemudian dihitung sesuai dengan fungsi pengaktifan yang digunakan:
yc = yce.
c_ycnyc.
Gambar 3 Arsitektur jaringan syaraf tiruan multi layer perceptron Algoritme Jaringan Syaraf Tiruan pada Perangkat e-Nose untuk Klasifikasi Madu Bila yang digunakan adalah fungsi sigmoid, maka bentuk fungsinya:
yc = 1 yceycuycyOe.
c_ycnyc.
Sinyal luaran dari fungsi aktivasi tersebut dikirim ke semua neuron layer output .
nit luara.
- Langkah 5: Neuron output yang direpresentasikan dengan yk, k = 1, 2, 3.
A m mengalami proses Nilai luarannya dihasilkan dengan mengalikan input dengan bobot .
, menjumlahkannya, kemudian menambahkan dengan biasnya.
Proses ini dapat dijelaskan dalam bentuk rumus matematis:
ycy yc_ycnycuyco = yc0yco Oc yc=1 ycyc ycyco Kemudian dihitung kembali sesuai dengan fungsi aktivasi:
ycyco = yce.
c_ycnycuyco ) .
- Langkah 6: Masing masing neuron output menerima pola target sesuai dengan pola inputan pada saat proses pelatihan/training dan menghitung galatnya:
yuyco = .
cyco Oeycyco )yceA.
c_ycnycuyco ) .
Karena eAo.
_in.
= yk mengunakan fungsi sigmaoid, maka:
cycnycuyco ) = yce.
c_ycnycuyco ).
Oe yce.
c_ycnycuyco ) .
Menghitung perbaikan-perbaikan bobot .
OIycycoyc = yca Oo yuiyco Oo ycyc Menghitung perbaikan koreksi:
OIyc0yco = yca Oo yuiyco mengunakan nilai delta .
pada neuron layer sebelumya.
- Langkah 7: Bobot yang menghubungkan neuron-neuron output layer dengan hidden layer .
j, j = 1,A .
dikalikan delta .
dan dijumlahkan sebagai masukan ke neuron layer berikutnya:
Algoritme Jaringan Syaraf Tiruan pada Perangkat e-Nose untuk Klasifikasi Madu yuycnycuyc = Oc yuAycycyco yco=1 Selanjutnya dikalikan dengan turunan dari fungsi pengaktifanya untuk menghitung galatnya:
yuyco = yu_ycnycuyc yceA.
c Oe ycnycuyc ) .
Langkah berikutnya menghitung bobot .
igunakan untuk memperbaiki vi.
OIycycnyc = yca Oo yuyc Oo ycuycn Setelah bobot dihitung, kemudian menghitung perbaikan bias .
OIyc0yc = yca Oo yuyc Selanjutnya memperbaiki penimbangan dan bias.
- Langkah 8: Masing-masing luaran neuron .
k, k = 1.
A .
memperbaiki bias dan bobotnya .
= 0, .
= ycycyco .
OIycycyco Masing hidden neuron .
k, k = 1,A.
memperbaiki bias dan penimbangnya .
=0,A.
= ycycyco .
OIycycyco - Langkah 9: Uji kondisi .
khir iteras.
xp adalah pola masukan pelatihan ke-p .
= 1, 2.
A, p <= .
xp adalah x1, x2, x3, .
tp adalah pola target luaran dari pelatihan.
xi adalah t1, t2.
A tn.
xi adalah nilai aktivasi dari neuron xi.
zj adalah unit ke-j pada hidden layer.
z_inj = output untuk neuron zj.
zj adalah nilai aktivasi dari neuron zj.
yk adalah unit ke-k pada hidden layer.
y_ink adalah output untuk neuron yk.
yk adalah nilai aktivasi dari neuron yk.
wk0 adalah bobot pada bias untuk neuron yk.
wkj adalah bobot pada zij ke neuron yk.
OIwkj adalah selisih antara wkj.
dengan wkj.
vj0 adalah bobot dari neuron xi ke neuron zj.
OIvij adalah selisih antara vi.
dengan vj.
k adalah faktor pengendalian bobot pada output layer.
j adalah faktor pengendalian bobot pada hidden a adalah konstanta laju pelatihan .
earning rat.
0 < a < 1.
dan E adalah total galat.
Normalisasi Min-Max Dalam proses klasifikasi, atribut dapat memiliki rentang nilai yang sangat kecil atau sangat besar.
Karena nilai numeriknya yang lebih besar, maka atribut dengan rentang nilai yang sangat besar mungkin secara tidak masuk akal mendominasi hasil proses secara keseluruhan.
Oleh karena itu, sebelum diklasifikasikan, variabel-variabel ini harus dinormalisasi .
Algoritme Jaringan Syaraf Tiruan pada Perangkat e-Nose untuk Klasifikasi Madu i.
HASIL DAN PEMBAHASAN
Dataset Madu Dataset dalam penelitian ini terdiri dari data nilai uap madu murni yang dikumpulkan menggunakan perangkat electronic nose.
Dataset ini mencakup 3 atribut dari 541 data yang terdiri dari 3 jenis madu jenis madu murni, yaitu madu hutan, madu budidaya, dan madu trigona.
Ketiga jenis madu ini diinisialisasi menjadi kelas 1, 2, dan 3.
Setelah pengumpulan data dengan perangkat electronic nose, dataset ini kemudian diberikan sebuah atribut tambahan berupa label sebagai kelas data.
Atribut tambahan ini berfungsi sebagai atribut target dari klasifikasi jenis madu murni yang akan diteliti.
Sebelum data digunakan dalam proses pelatihan jaringan syaraf tiruan, terlebih dahulu dilakukan normalisasi terhadap nilai fitur yang diperoleh dari sensor.
Normalisasi ini bertujuan agar seluruh nilai fitur berada pada rentang .
sehingga tidak ada fitur dengan skala besar yang mendominasi proses Metode normalisasi yang digunakan adalah min-max scaling.
Setiap nilai fitur diubah berdasarkan nilai minimum dan maksimum pada kolom yang sama.
Tabel II menunjukkan data sebelum dinormalisasi, sedangkan Tabel i adalah data yang telah dinormalisasi.
TABEL II
DATASET MADU
CO2
13,85
18,14
22,97
28,56
34,27
40,77
3,85
4,36
5,08
6,32
7,79
9,67
12,01
14,03
14,51
16,24
17,22
18,62
20,37
Acetone 3,03 4,13 5,38 8,87 10,95 A 0,68 0,76 0,92 1,23 1,55 2,02 2,56 3,03 3,23 3,38 3,57 3,89 4,33 4,67 Alkohol
0,82
0,83
0,84
0,85
0,87
0,89
1,37
1,35
1,34
1,35
1,35
1,34
1,33
1,53
1,52
1,51
1,51
1,51
1,48
Target Algoritme Jaringan Syaraf Tiruan pada Perangkat e-Nose untuk Klasifikasi Madu Dataset madu diambil dari perangkat e-nose dan dikelompokkan menjadi beberapa kelas.
Kelas madu yang digunakan adalah madu hutan, madu budidaya, dan madu trigona.
Data yang dikumpulkan kemudian divisualisasikan menggunakan grafik dan diagram untuk memudahkan analisis.
Visualisasi ini mencakup representasi data sensor yang menunjukkan perbedaan karakteristik volatil antara masing-masing kelas madu, seperti grafik distribusi senyawa kimia, diagram hubungan antar variabel, dan peta panas yang menggambarkan intensitas aroma.
Dengan visualisasi ini, pola dan perbedaan karakteristik antara jenis-jenis madu dapat diidentifikasi dengan lebih mudah, membantu dalam proses klasifikasi dan analisis lebih lanjut.
Madu Hutan Visualisasi data madu hutan pada Gambar 4 menunjukkan perubahan konsentrasi tiga senyawa pada madu hutan yang diperoleh melalui perangkat e-nose, yaitu COCC, acetone, dan alkohol.
Konsentrasi COCC .
aris bir.
menunjukkan peningkatan signifikan dalam tiga siklus terpisah, dengan setiap siklus mencapai puncak sekitar 250 ppm sebelum kembali menurun ke nilai awal.
Hal ini mengindikasikan penggunaan sampel baru dengan takaran berbeda pada setiap siklus.
Konsentrasi acetone .
aris orany.
cenderung meningkat secara bertahap dan konsisten tanpa penurunan berarti, sedangkan konsentrasi alkohol .
aris hija.
relatif stabil pada nilai rendah selama periode pengamatan.
Temuan ini menunjukkan bahwa COCC dihasilkan dalam jumlah besar dengan pola fluktuatif, acetone mengalami peningkatan progresif, dan alkohol tidak mengalami perubahan signifikan.
TABEL i DATA SETELAH DINORMALISASI CO2
0,040183
0,057422
0,07683
0,099293
0,122237
0,148357
0,002049
0,004943
0,009925
0,015832
0,023387
0,03279
0,002049
0,040907
0,042835
0,045608
0,049787
0,053725
0,059351
0,040907
Acetone 0,025782 0,03785 0,051563 0,070433 0,089852 0,112671 A 0,000878 0,002633 0,006034 0,009545 0,014701 0,020625 0,000878 0,025782 0,027976 0,029622 0,031706 0,035217 0,040044 0,025782 Alkohol
0,008547
0,017094
0,025641
0,042735
0,059829
0,452991
0,444444
0,452991
0,452991
0,444444
0,435897
0,452991
0,606838
0,598291
0,589744
0,589744
0,581197
0,589744
0,606838
Target Algoritme Jaringan Syaraf Tiruan pada Perangkat e-Nose untuk Klasifikasi Madu .
Madu Budidaya Visualisasi data madu budidaya pada Gambar 5 menunjukkan perubahan konsentrasi tiga senyawa yang terdeteksi melalui perangkat e-nose, yaitu COCC, acetone, dan alkohol.
Konsentrasi COCC .
aris bir.
mengalami peningkatan signifikan dalam tiga siklus terpisah dengan setiap siklus mencapai puncak sekitar 150 ppm sebelum menurun kembali ke nilai awal.
Hal ini mengindikasikan penggunaan sampel baru pada setiap siklus.
Konsentrasi acetone .
aris orany.
meningkat secara bertahap dan konsisten tanpa penurunan berarti, sedangkan konsentrasi alkohol .
aris hija.
tetap stabil pada nilai rendah sepanjang periode Dibandingkan dengan madu hutan, madu budidaya menunjukkan puncak konsentrasi COCC yang lebih rendah sehingga mengindikasikan bahwa produksi COCC pada madu budidaya relatif lebih kecil.
Namun demikian, pola umum peningkatan dan penurunan COCC serta stabilitas konsentrasi acetone dan alkohol pada kedua jenis madu menunjukkan karakteristik proses yang serupa, meskipun intensitas produksinya berbeda.
Madu Trigona Visualisasi data madu trigona pada Gambar 6 menunjukkan perubahan konsentrasi tiga senyawa yang terdeteksi melalui perangkat e-nose, yaitu COCC, acetone, dan alkohol.
Konsentrasi COCC .
aris bir.
menga- Gambar 4 Visualisasi data madu hutan Gambar 5 Visualisasi data madu budidaya Algoritme Jaringan Syaraf Tiruan pada Perangkat e-Nose untuk Klasifikasi Madu lami peningkatan signifikan dalam tiga siklus terpisah dengan puncak sekitar 80 ppm sebelum kembali menurun ke nilai awal.
Hal ini menunjukkan bahwa pada setiap siklus digunakan sampel baru dengan takaran Konsentrasi acetone .
aris orany.
juga mengalami peningkatan bertahap dan konsisten, meskipun nilainya tetap lebih rendah dibandingkan COCC dan tidak mengalami penurunan signifikan antar siklus.
Sementara itu, konsentrasi alkohol .
aris hija.
tetap stabil pada nilai rendah sepanjang periode pengamatan.
Dibandingkan dengan madu hutan dan madu budidaya, madu trigona menunjukkan puncak konsentrasi COCC yang lebih rendah sehingga mengindikasikan produksi COCC yang lebih kecil.
Namun demikian, pola umum peningkatan dan penurunan COCC serta stabilitas acetone dan alkohol menunjukkan bahwa ketiga jenis madu memiliki karakteristik proses yang serupa, meskipun intensitas produksinya berbeda.
Arsitektur Jaringan Syaraf Tiruan Arsitektur jaringan syaraf tiruan (JST) yang digunakan pada penelitian ini adalah multilayer perceptron dengan konfigurasi 3Ae7Ae3, yaitu tiga neuron pada lapisan input .
erepresentasikan atribut sensor COCC, acetone, dan alkoho.
, tujuh neuron pada lapisan tersembunyi, dan tiga neuron pada lapisan luaran sesuai jumlah kelas madu.
Implementasi model dilakukan pada Google Colab dengan pengaturan pelatihan sebagai berikut: optimizer Adam, fungsi loss categorical crossentropy, learning rate 0,001, jumlah epoch 1000, dan batch size 32.
Selama pelatihan digunakan validation_split 0,2 untuk memantau konvergensi.
Total dataset (N) 541 data, dan dibagi dengan skema hold-out 75% .
dan 25% .
sehingga data uji berjumlah 135 data yang digunakan untuk evaluasi akhir.
Bobot dan bias yang diambil dari model terlatih digunakan untuk ilustrasi perhitungan feedforward.
Parameter pelatihan jaringan syaraf tiruan ditunjukkan pada Tabel IV.
Implementasi Algoritme Backprogagation Proses pelatihan menggunakan algoritme backpropagation dilakukan dengan memanfaatkan tools Google Colab dan menggunakan bahasa pemrograman Python.
Source code yang digunakan dalam pelatihan ini dijelaskan sebagai berikut: Pertama, inisialisasi bobot dan bias secara acak.
Kedua, untuk setiap epoch lakukan iterasi melalui setiap data dalam dataset.
Ketiga, untuk setiap data lakukan proses feedforward dengan menghitung output dari setiap lapisan jaringan saraf.
Keempat, hitung error pada output dengan membandingkan output yang diharapkan dengan output yang dihasilkan.
Kelima, lakukan proses backpropagation dengan menghitung gradien error dan memperbarui bobot dan bias menggunakan algoritme gradient descent.
Keenam, ulangi proses tersebut hingga error pada output mencapai nilai yang diinginkan atau jumlah epoch yang ditentukan tercapai.
Dengan menggunakan pendekatan ini, model dapat Gambar 6 Visualisasi data madu trigona Algoritme Jaringan Syaraf Tiruan pada Perangkat e-Nose untuk Klasifikasi Madu dilatih untuk meminimalkan error dan meningkatkan akurasi prediksi.
Algorithm 1 merupakan pseucode yang digunakan untuk menampilkan bobot dan bias hasil pelatihan yang berguna untuk perhitungan Listing 1: Pseudocode Bobot dan Bias Hasil Pelatihan Mulai Ambil bobot dan bias pada lapisan input .
- Weights_input Ia model.
get_weights().
- Biases_input Ia model.
get_weights().
- Tampilkan Weights_input dan Biases_input Ambil bobot dan bias pada lapisan hidden .
- Weights_hidden Ia model.
get_weights().
- Biases_hidden Ia model.
get_weights().
- Tampilkan Weights_hidden dan Biases_hidden Selesai Pengujian Algoritme Backpropagaion Untuk memaksimalkan pemahaman dalam penerapan algoritme, perhitungan manual dilakukan dengan menggunakan rumus dan fungsi aktivasi yang telah dijelaskan.
Perhitungan ini memanfaatkan bobot dan bias yang diperoleh dari pelatihan 541 data yang terdiri dari 3 jenis madu dengan 1000 epoch dan rasio pembelajaran sebesar 0,001.
Berikut adalah matriks input yang terdiri dari 3 neuron input:
ycnycuycyycyc = .
cn2 ] ycn3
Sebagai contoh, digunakan salah satu data sampel dengan CO2 sebesar 170,69, acetone sebesar 57,1, dan TABEL IV
PARAMETER PELATIHAN JARINGAN SYARAF TIRUAN
Parameter Arsitektur (Input-Hidden-Outpu.
Optimizer Learning rate () Epochs Batch size Validation split .
uring trainin.
Loss function Pembagian data .
old-ou.
Metrik evaluasi Nilai / Keterangan 3 Ae 7 Ae 3 (COCC, acetone, alkoho.
Adam Categorical crossentropy Train : tes = 75% : 25% .
rain = 406, tes = .
Confussion matrix, accuracy, precision, recall.
F1-score Algoritme Jaringan Syaraf Tiruan pada Perangkat e-Nose untuk Klasifikasi Madu alkohol sebesar 1,54.
Setelah nilai dinormalisasi menjadi i1 i2 i3, maka:
ycnycuycyycyc = [ 57.
Langkah selanjutnya dalam menghitung setiap neuron pada hidden layer adalah dengan menggunakan ycu yc_ycnycu = yc0yc Ocycn=1 ycuA.
zinj adalah nilai input untuk neuron ke-j pada hidden layer.
vo adalah bias untuk neuron hidden j.
adalah nilai input dari neuron input ke-i.
vij adalah bobot antara neuron input ke-i dan neuron hidden ke-j, n adalah jumlah neuron input.
Dengan menggunakan persamaan di atas, setiap nilai zinj untuk setiap neuron pada hidden layer dapat dihitung dengan memanfaatkan bobot dan bias yang telah disesuaikan selama proses pelatihan model jaringan syaraf tiruan.
Nilai xi dan bobot vij diperoleh dari data input dan hasil pelatihan, sementara v0j adalah bias yang juga diperoleh dari proses pelatihan.
Langkah ini sangat penting dalam menjalankan proses feedforward pada jaringan syaraf tiruan untuk menghasilkan output yang akurat berdasarkan input yang diberikan.
Dengan jumlah neuron pada hidden layer sebanyak 7 sesuai yang telah ditentukan, maka didapatkanlah persamaan sebagai berikut:
yc1ycnycu yc10 yc11 yc2ycnycu yc20 yc21 yc3ycnycu yc30 ycn1 yc31 yc4ycnycu = yc40 .
cn2 ] ycu yc41 yc5ycnycu yc50 yc51 ycn3 yc6ycnycu yc60 yc61 .
c7ycnycu ] .
c70 ] [ yc71 yc12 yc22 yc32 yc42 yc52 yc62 yc72 yc13 yc23 yc33 yc43 yc53 yc63 yc73 ] ] .
Selanjutnya mengganti seluruh persamaan dengan nilai input, bobot, dan bias hasil pelatihan menjadi berikut ini:
yc1ycnycu yc2ycnycu yc3ycnycu Oe2.
yc4ycnycu = Oe0.
14512505 [ 57.
1 ] ycu yc5ycnycu Oe0.
Oe0.
yc6ycnycu Oe0.
Oe0.
c7ycnycu ] [ 0.
[ Oe2.
Oe3.
Oe3.
Oe4.
Oe4.
Oe4.
Perkalian matriks dengan ordo 1x3 dengan ordo 3x7 menghasilkan matriks ordo 1x7.
Diperoleh nilai zinj berikut ini:
Algoritme Jaringan Syaraf Tiruan pada Perangkat e-Nose untuk Klasifikasi Madu yc1ycnycu yc2ycnycu yc3ycnycu Oe1075.
yc4ycnycu = 795.
yc5ycnycu yc6ycnycu Oe39.
c7ycnycu ] [ Oe570.
Selanjutnya, setelah diperoleh nilai dari seluruh neuron jaringan tersembunyi, dilakukan perhitungan nilai dengan fungsi aktivasi sigmoid:
yc = 1 yceycuycyOe.
c_ycnyc.
Exp merupakan exponential yang bernilai 2,71828.
Penggunaan fungsi sigmoid ini bertujuan agar output dari hidden layer memiliki nilai dengan rentang 1 dan 0.
1 yceycuycyOeyc1ycnycu 1 yceycuycyOeyc2ycnycu yc1 yc2 1 yceycuycyOeyc3ycnycu yc3 yc4 = 1 yceycuycyOeyc4ycnycu yc5 yc6 .
c7 ] 1 yceycuycyOeyc5ycnycu 1 yceycuycyOeyc6ycnycu [ 1 yceycuycyOeyc7ycnycu ] 1 2.
71828Oe .
yc1 yc2 yc3 yc4 = yc5 yc6 .
c7 ] 1 2.
71828Oe .
71828Oe (Oe1075.
71828Oe .
71828Oe .
71828Oe (Oe39.
[ 1 2.
71828Oe (Oe570.
Algoritme Jaringan Syaraf Tiruan pada Perangkat e-Nose untuk Klasifikasi Madu Setelah dilakukan aktivasi menggunakan fungsi aktivasi sigmoid, didapatkanlah nilai hidden layer .
yc1 yc2 yc3 yc4 = 1 yc5 yc6 .
c7 ] .
Proses selanjutnya adalah melakukan perhitungan menuju ke output layer.
Pada output layer terdapat satu neuron output yang diwakili oleh y_ink dan Wkj merepresentasikan nilai bobot dari hidden layer menuju output dengan k untuk hidden output dan j untuk hidden layer.
yc11 yc12 yc13 yc14 yc15 yc16 yc17
[ 2 ] = [ 20 ]
ycU [ 21yc22 yc23 yc24yc25 yc26 yc27 ] yc ycycnycu3 yc30 yc31yc32 yc33 yc34yc35 yc36 yc37 yc6 .
c7 ] .
ycycnycu1 Oe0.
yc [ ycnycu2 ] = [[Oe0.
2571807 Oe3.
7364922 Oe1.
Oe2.
11482 Oe4.
[Oe2.
0420973 Oe1.
1925048 Oe0.
Oe4.
08573 Oe4.
6052318 Oe5.
0118427 Oe0.
Perkalian matriks dengan ordo 1x7 dengan ordo 7x3 menghasilkan matriks ordo 1x3.
Diperoleh nilai yink berikut ini:
ycycnycu1 yc [ ycnycu2 ] = [Oe1.
ycycnycu3 Oe13.
Setelah menemukan y_ink dilakukan penghitungan nilai menggunakan fungsi aktivasi softmax.
Aktivasi softmax digunakan karena data mempunyai 3 label.
Fungsi aktivasi softmax akan menghitung probabilitas dari setiap kelas .
dengan mengubah nilai luaran y_ink menjadi distribusi probabilitas.
Setiap nilai luaran akan berada dalam rentang .
, .
dan jumlah keseluruhan nilai luaran akan sama dengan 1 sehingga memungkinkan interpretasi sebagai probabilitas.
Algoritme Jaringan Syaraf Tiruan pada Perangkat e-Nose untuk Klasifikasi Madu yce ycycnycuyco ycyco = Ocya ya=1 yce yk adalah komponen ke-k dari vektor output y.
K adalah jumlah total kelas, dan e adalah eksponential yang merupakan basis dari logaritma.
Dengan rumus .
tersebut, maka didapatlah perhitungan berikut ini:
C Mencari nilai exponensial pada setiap luaran dari y_ink:
yce ycycnycu1 = yce 9.
16820104 = 9587.
yce ycycnycu2 = yce Oe1.
95275424 = 0.
yce ycycnycu3 = yce Oe13.
425963 = 1.
8404519y10Oe6 C Menjumlahkan semua nilai exponensial:
sum _exp = 9587.
8404519y10Oe6 = 9587.
C Membagi nilai exponentsial dengan jumlah exponensial:
yc1 = = 0.
ycycyco_yceycuycy yc2 = yce Oe1.
= 0.
ycycyco_yceycuycy yc3 = yce Oe13.
8404519 y 10 Oe 6 = 0.
ycycyco_yceycuycy Setelah dilakukan perhitungan dengan input CO2 sebesar 170,69, acetone sebesar 57,1, dan alkohol sebesar 1,54.
maka diperoleh nilai output pada y1 .
adu huta.
sebesar 0,999985381.
adu terna.
sebesar 0,000014818267, dan y3 .
adu trigon.
sebesar 0,00000000019195378.
Nilai output y1 atau madu hutan memiliki nilai yang paling tinggi yang menunjukan bahwa input merupakan madu hutan atau berlabel madu hutan.
Confussion Matrix Metode confussion matrix digunakan untuk menguji kinerja penelitian ini.
Pembelajaran mesin menggunakan matriks confussion untuk menilai atau menunjukkan perilaku model dalam konteks klasifikasi yang diawasi.
Dalam matriks confussion matriks, baris menunjukkan kelas instance aktual dan kolom menunjukkan kelas yang diprediksi.
Jika kita menggunakan tiga kelas data, maka matriks konfusinya adalah 3 x 3.
Setiap baris pada matrik akan mewakili kelas aktual, sementara setiap kolom akan meakili kelas yang diprediksi oleh model.
Pengujian dilakukan menggunakan 25% data uji dari total dataset madu sehingga diperoleh confussion matrix, seperti ditunjukkan pada Tabel V dan Gambar 7.
Hasil pengujian menunjukkan bahwa semua sampel pada Kelas 1, sebanyak 44 data, berhasil diklasifikasikan dengan benar sehingga menghasilkan nilai precision dan recall sebesar 100%.
Pada kelas 2 terdapat 34 data yang diklasifikasikan dengan benar, namun masih terdapat 14 data yang salah diprediksi sebagai kelas 3.
Hal ini menyebabkan nilai recall kelas 2 lebih rendah, yaitu 0,708, dibanding precision-nya yang tinggi, sebesar 0,971.
Untuk Kelas 3, sebanyak 42 data berhasil diprediksi dengan benar, sementara 1 data salah diprediksi sebagai kelas 2.
Kondisi ini menghasilkan precision 0,750 dengan recall tinggi sebesar 0,977.
Algoritme Jaringan Syaraf Tiruan pada Perangkat e-Nose untuk Klasifikasi Madu Analisis Hasil Penerapan metode jaringan syaraf tiruan backpropagation pada perangkat e-nose menunjukkan bahwa model memiliki kemampuan yang baik dalam mengklasifikasikan jenis madu.
Meskipun demikian, faktorfaktor, seperti kualitas data latih dan pemilihan parameter harus tetap diperhatikan untuk memastikan hasil yang konsisten.
Pada implementasinya, perangkat e-nose yang dilengkapi dengan sensor MQ-3 dan MQ-135 digunakan untuk mendeteksi komponen gas seperti COCC, alkohol, dan acetonee yang kemudian hasilnya ditampilkan pada LCD.
Model ini berhasil mengklasifikasikan jenis madu dengan tepat, seperti yang terlihat pada hasil klasifikasi untuk sampel AuMadu HutanAy dengan nilai sensor COCC sebesar 170,69 ppm, alkohol sebesar 57,1 ppm, dan acetonee sebesar 1,54 ppm.
Keberhasilan ini menunjukkan bahwa model mampu mengenali pola yang relevan dalam data input dan memberikan prediksi yang akurat dengan tingkat akurasi mencapai 0,889 .
,9%) berdasarkan confussion matrix.
Pengujian dilakukan pada data uji sebanyak 135 sampel .
% dari total N sebesar .
Selain akurasi, performa model dievaluasi menggunakan precision, recall, dan F1-score per kelas sebagai berikut:
C Madu Hutan dikenali dengan sangat baik .
/44 terklasifikasi bena.
Hal ini menandakan pola VOC yang relatif khas dan mudah dipisahkan oleh model.
C Madu Budidaya menunjukkan precision tinggi, namun recall rendah.
Sebagian besar prediksi yang diberi label AuBudidayaAy benar, tetapi banyak sampel Budidaya yang tidak terdeteksi .
alse negative.
karena salah diklasifikasikan sebagai Trigona.
C Madu Trigona memiliki recall tinggi, tetapi precision lebih rendah yang berarti model cenderung memberi label Trigona pada beberapa sampel Budidaya .
alse positive.
TABEL V
HASIL UJI CONFUSSION MATRIX
Kelas Rata-rata Akurasi Precision 1,000 0,971 0,750 0,907 0,889 .
,89%) Recall 1,000 0,708 0,977 0,895 F1-score
1,000
0,821
0,848
0,890
Gambar 7 Hasil uji confussion matrix Algoritme Jaringan Syaraf Tiruan pada Perangkat e-Nose untuk Klasifikasi Madu IV.
SIMPULAN
Penerapan jaringan syaraf tiruan (MLP backpropagation 3Ae7Ae.
pada perangkat e-nose .
ensor MQ-3 dan MQ-.
terbukti sebagai solusi efektif untuk klasifikasi tiga jenis madu dengan akurasi 0,889 pada uji hold-out dengan train sebesar 406 dan test sebesar 135.
Evaluasi per kelas menunjukkan Madu Hutan unggul dengan precision sebesar 1,000, recall sebesar 1,000, dan F1-score sebesar 1,000.
Madu Budidaya memiliki recall lebih rendah dengan recall sebesar 0,708, precision sebesar 0,971, dan F1-score sebesar 0,821 yang mengindikasikan tumpang tindih fitur dengan Madu Trigona dengan recall sebesar 0,977, precision sebesar 0,750, dan F1-score sebesar 0,848.
Penelitian ini menunjukkan kelayakan e-nose dikombinasikan JST sebagai metode deteksi cepat jenis madu.
Untuk meningkatkan reliabilitas praktis disarankan penerapan feature engineering .
isalnya peak.
AUC, atau Tma.
, validasi yang lebih kuat .
tratified k-fol.
, hyperparameter tuning, dan eksplorasi penambahan atau jenis sensor guna memperbaiki pemisahan kelas yang tumpang tindih.
DAFTAR REFERENSI
Eteraf-Oskouei and M.
Najafi, "Traditional and modern uses of natural honey in human diseases: A review," Iran.
Basic Med.
Sci.
, vol.
16, no.
6, pp.
731Ae742, 2013.
Badan Standardisasi Nasional.
Rancangan Standar Nasional Indonesia (RSNI) untuk Madu, draft rev.
, 2024.
Amelya and A.
Sudaryanto, "Hubungan tingkat pengetahuan umum dengan pencegahan luka diabetik pada penderita diabetes melitus," J.
Ilm.
Kesehat.
Rustida, vol.
11, no.
1, pp.
56Ae64, 2024, doi: 10.
55500/jikr.
Koesno, "Perbedaan madu asli dan palsu: dari aroma hingga rasa," tirto.
[Onlin.
Available: https://tirto.
[Accessed:
Sep.
14, 2.
Sitompul.
Iswanto, and W.
Indrasari, "Analisis cluster bahan herbal berdasarkan fitur respon e-nose," Prosiding Seminar Nasional Fisika (E-Journa.
, vol.
IX, no.
CX, pp.
141Ae146, 2020, doi: 10.
21009/03.
Hasanati and D.
Meidelfi, "Kajian implementasi jaringan syaraf tiruan metode backpropagation untuk deteksi bau," J.
Appl.
Comput.
Sci.
Technol.
, vol.
1, no.
2, pp.
90Ae95.
Dec.
2020, doi: 10.
52158/jacost.
Gonyalves et al.
, "Application of an electronic nose as a new technology for rapid detection of adulteration in honey," Appl.
Sci.
, vol.
13, no.
8, 2023, doi: 10.
3390/app13084881.
Faal.
Loghavi, and S.
Kamgar, "Physicochemical properties of Iranian ziziphus honey and emerging approaches for predicting them using electronic nose," Food Biosci.
, vol.
148, pp.
1Ae10, 2019, doi: 10.
1016/j.
Barata.
Noersasongko.
Purwanto, and M.
Soeleman, "Improving the accuracy of C4.
5 algorithm with Chi-Square method on pure tea classification using electronic nose," J.
RESTI (Rekayasa Sist.
dan Teknol.
Inf.
), vol.
7, no.
2, pp.
226Ae 235.
Mar.
2023, doi: 10.
29207/resti.
Novita.
Sesunan.
Telaumbanua.
Triyono, and T.
Saputra, "Identifikasi jenis kopi menggunakan sensor e-nose dengan metode pembelajaran jaringan syaraf tiruan backpropagation," J.
Ilm.
Rekayasa Pertan.
dan Biosist.
, vol.
2, pp.
205Ae217, 2021, doi: 10.
29303/jrpb.
Habib.
Alhamdani.
Syauqy, and B.
Prasetio, "Sistem klasifikasi kualitas jenis-jenis madu berdasarkan warna, kecerahan, dan pH menggunakan metode JST backpropagation," J.
Pengemb.
Teknol.
Inf.
dan Ilmu Komput.
, vol.
6, no.
2548Ae2964, 2022.
Nugroho.
Syauqy, and F.
Utaminingrum, "Rancang bangun sistem klasifikasi kelayakan madu berdasarkan kadar gula dan warna untuk penderita diabetes mellitus menggunakan metode," J.
Pengemb.
Teknol.
Inf.
dan Ilmu Komput.
, vol.
7, no.
5, 2023.
Ardiansyah.
Syauqy, and Tibyani, "Implementasi metode klasifikasi Bayes untuk penentuan keaslian madu lebah berbasis embedded system," J.
Pengemb.
Teknol.
Inf.
dan Ilmu Komput.
, vol.
3, no.
2, pp.
1693Ae1700, 2019.
Suhandy.
Yulia, and K.
Kusumiyati, "Klasifikasi madu berdasarkan jenis lebah (Apis dorsata versus Apis mellifer.
menggunakan spektroskopi ultraviolet dan kemometrika," J.
Ilmu Pertan.
Indones.
, vol.
25, no.
4, pp.
564Ae573, 2020, doi:
18343/jipi.
Alfita.
Rofiq, and M.
Ulum, "Rancang bangun alat pendeteksi kualitas madu asli dan campuran dengan menggunakan metode fuzzy," SinarFe7, vol.
2, no.
1, pp.
256Ae259, 2019.
Balivo.
Cipolletta.
Tudisco.
Iommelli.
Sacchi, and A.
Genovese, "Electronic nose analysis to detect milk obtained from pasture-raised goats," Appl.
Sci.
, vol.
13, no.
2, 2023, doi: 10.
3390/app13020861.
Tangguh and S.
Rahma, "Analisis performa metode Nayve Bayes classifier pada electronic nose dalam identifikasi formalin pada tahu," J.
Teknol.
Inf.
dan Komput.
, vol.
4, no.
1, pp.
1Ae16, 2023, doi: 10.
56705/ijodas.
Algoritme Jaringan Syaraf Tiruan pada Perangkat e-Nose untuk Klasifikasi Madu .
Khasanah.
Parman.
Widodo, and A.
Suedy, "Kualitas madu lokal dari lima wilayah di Kabupaten Wonosobo," J.
Biol.
, vol.
6, no.
1, pp.
29Ae37, 2017.
Evahelda.
Pratama, and B.
Santoso, "Sifat fisik dan kimia madu dari nektar pohon karet di Kabupaten Bangka Tengah.
Indonesia," Agritech, vol.
37, no.
4, pp.
363Ae370, 2018, doi: 10.
22146/agritech.
Agustina, "Manfaat madu bagi kesehatan," Kementerian Kesehatan Republik Indonesia.
[Onlin.
Available:
https://yankes.
id/view_artikel/424/manfaat-madu-bagi-kesehatan.
[Accessed: Sep.
14, 2.
Standar Nasional Indonesia.
Madu.
Jakarta: Badan Standardisasi Nasional, 2018.
Rosenblatt, "The perceptron: A probabilistic model for information storage and organization in the brain," Proc.
Ie, 69, no.
3, pp.
386Ae408, 1969, doi: 10.
1109/T-C.
Suryanto.
Data Mining untuk Klasifikasi dan Klasterisasi Data.
Bandung: Informatika, 2019.
Bhattacharyya, "Neural networks: Evolution, topologies, learning algorithms and applications," in Handbook of Natural Computing.
Springer, 2011, pp.
450Ae498, doi: 10.
4018/978-1-61350-429-1.
Sinsomboonthong, "Performance comparison of new adjusted min-max with decimal scaling and statistical column normalization methods for artificial neural network classification," Int.
Math.
Math.
Sci.
, 2022, doi:
1155/2022/3584406.
Ahmad Dwi SyafiAoi, menerima gelar sarjana komputer dari Program Studi Teknik Informatika Universitas Nahdlatul Ulama Sunan Giri pada 2024.
Mula Agung Barata, memperoleh gelar sarjana sains terapan di Jurusan Teknik Informatika Politeknik Negeri Malang pada 2017, kemudian melanjutkan program magister di Program Studi Teknik Informatika Universitas Dian Nuswantoro dan menyelesaikan studi pada 2022.
Roihatur Rohmah, memperoleh gelar sarjana sains di Jurusan Fisika Institut Teknologi Sepuluh November pada tahun 2016, kemudian melanjutkan program magister di Program Studi Fisika Institut Teknologi Sepuluh November dan menyelesaikan studi pada 2018.