Fungsionalisasi Electronic Nose yang Dikopel dengan Machine Learning untuk Mendiferensiasi Rambak Babi dari Rambak Sapi dan Kambing

FITRI NUR LAILY, Prof. Dr. Eng. Kuwat Triyana, M.Si.

2022 | Skripsi | S1 FISIKA

Rambak merupakan salah satu camilan tradisional di Indonesia yang terbuat dari berbagai macam kulit hewan. Rambak yang beredar di masyarakat secara visual sulit dibedakan jenis bahan bakunya. Beberapa cara yang telah dilakukan untuk pengujian autentikasi yaitu DSC, GC-MS, HPLC, NMR, dan FTIR. Akan tetapi metode diatas membutuhkan waktu lama, mahal, dan harus dioperasikan oleh ahli. Pada penelitian ini, electronic nose seri Genose 118 yang terdiri dari 8 buah sensor MOS, 1 sensor suhu, dan 1 sensor kelembaban digunakan untuk membedakan jenis rambak rambak babi dari rambak kambing dan sapi. Respon keluaran sensor dilakukan ekstraksi ciri dari masing-masing sensor. Data yang sudah diekstrak akan dipilih secara acak sebanyak 80% untuk training, dan sisanya 20% untuk testing atau validasi eksternal. Selanjutnya data akan dianalisis dengan beberapa model machine learning yaitu PCA dan LDA. PCA memberikan nilai variabilitas klasterisasi sebesar 80,8%. Akurasi data testing model machine learning LDA yaitu 100% Hasil ini menunjukkan bahwa e-nose disertai dengan teknik pengenalan pola yang tepat dapat digunakan sebagai instrumen berbiaya rendah, tidak merusak, dan mudah digunakan untuk mengklasifikasi jenis rambak berdasarkan bahan bakunya.

Rambak is one of the traditional snacks in Indonesia made from various kinds of animal skins. Rambak in the market is visually difficult to distinguish the type of raw material. Several methods have been used for authentication testing: DSC, GC-MS, HPLC, NMR, and FTIR. However, the methods take a long time, are expensive, and must be operated by an expert. In this study, the electronic nose of the Genose 118 series consisting of 8 MOS sensors, 1 temperature sensor, and 1 humidity sensor was used to distinguish pork rambak from mutton and beef rambak. The sensor output response is carried out by feature extraction from each sensor. The extracted data will be randomly selected as much as 80% for training and the remaining 20% for testing or validation. Furthermore, the data will be analyzed with several machine learning models, namely PCA and LDA. PCA gives a clustering variability value of 80.8%. The accuracy of the LDA machine learning model testing data is 100%. These results indicate that e-nose accompanied by the right pattern recognition technique can be used as a low-cost, non-destructive, and easy-to-use instrument to classify types of rambak based on their raw materials.

Kata Kunci : e-nose, rambak, ekstraksi ciri, machine learning