ANALISIS KINERJA INSTRUMEN UJI FORMALIN PADA TAHU BERBASIS ELEKTRONIK NOSE

SARI AYU WULANDARI, Dr. Ir. Risanuri Hidayat, M.Sc.

2013 | Tesis | S2 Mag.Teknik Instrumentasi

Elektronik nose adalah instrument pendeteksi berdasarkan klasifikasi aroma seperti fungsi hidung manusia. Penelitian ini dilatarbelakangi oleh belum adanya alat pendeteksi formalin pada produk makanan, terutama pada tahu, karena harga instrument analisis modern sangat mahal. Tujuan dari penelitian ini adalah untuk menghasilkan sebuah rekomendasi metode yang paling tepat, untuk digunakan pada instrument pendeteksi formalin pada tahu. Rancang bangun enose deteksi formalin dibuat dengan cara perancangan modul elektronik dan sekaligus sistem pengenal polanya. Modul elektronik dirancang menggunakan board Arduino Uno R3, yang memakai chip ATMega 328. Pada sistem pengenalan pola, dilakukan dengan bahasa pemrograman matlab yang menggunakan preprocessing LRMA (Linear Regression Moving Average), ekstraksi ciri wavelet dan PCA (Principle Component Analysis) serta metode analisis SVM (Support Vector Machines) dan FCM (Fuzzy C Means). Hasil dari pengenalan pola data pembelajaran, tingkat akurasi dari pengenalan tertinggi adalah pada nilai maksimal bentuk lingkaran, yaitu 100%. Sedangkan tingkat akurasi dari pengenalan data bukan pembelajaran, adalah 98,33%.

An electronic nose is defined as an instrument that detects for discrimination of odours, like olfactory system in human nose. This instrument is designed to detect formalin in the food product, especially “tofu”. The aim of artificial olfaction machine design is to find the best recommendation method, suitable with formalin detection instrument. The system consists of two part, electronic module and pattern recognition systems.The electronic module is a typical application system, consisting of Arduino Uno R3 board,with ATMega 328 chip. In the pattern recognition system, is programmed in Matlab language using LRMA (Linear Regression Moving Average) for pre processing, wavelet and PCA (Principle Component Analysis) for feature extraction, and SVM (Support Vector Machines) combined with FCM (Fuzzy C Means) for analysis method. Results of pattern recognition of the learning data,that show maximum value is the highest level of recognitions in the form of the circle with a 100% of accuracy. Whereas pattern recognition of unlearning data, the obtainedaccuracy was 98.33%.

Kata Kunci : enose, PCA, FCM, SVM, LRMA