ANALISIS RESPONS SENSOR ELECTRONIC TONGUE TERHADAP SAMPEL GANJA MENGGUNAKAN SUPPORT VECTOR MACHINE

WIKAN HARYO R, Dr. Danang Lelono, M.T.

2020 | Skripsi | S1 ELEKTRONIKA DAN INSTRUMENTASI

Larik sensor lidah elektronik (electric tongue) berbasis membran lipid TOMA dan lipid OA digunakan untuk mengenali pola rasa sampel ganja murni, campuran ganja murni dengan teh dan campuran ganja murni dengan tembakau. Campuran dua jenis lipid dan DOP sebagai plasticizer dikombinasikan dan digunakan untuk menyusun 16 membran sensor lidah elektronik. Analisis PCA terhadap data hasil pencuplikan sensor menunjukkan adanya redundansi sensor yang ditandai dengan mengelompoknya parameter loading beberapa sensor, sehingga perlu dilakukan optimasi sensor dengan cara mereduksi larik sensor menggunakan seleksi fitur. Seleksi fitur dilakukan menggunakan principal component analysis (PCA). Analisis PCA menghasilkan nilai loading, kemudian diinterpretasikan menjadi plot yang menunjukkan kontribusi masing-masing sensor terhadap pembentukan variable baru pada PCA, dan diketahui adanya kemiripan performa sensor dalam mencirikan sampel. Kemiripan performa sensor tersebut dianalisis lebih lanjut menggunakan uji korelasi sehingga diketahui adanya sensor-sensor yang menghasilkan informasi yang redundan. Untuk mengetahui performa larik sensor, perlu dilakukan validasi menggunakan metode klasifikasi support vector machine (SVM) dan dilakukan perbandingan performa klasifikasi terhadap larik sensor asli dengan larik sensor teroptimasi yang dihasilkan dari tahap fitur seleksi. Seleksi fitur yang telah dilakukan mereduksi jumlah sensor menjadi 6 buah sensor pada pengujian sampel ganja-teh dan 3 buah sensor pada pengujian sampel ganja-tembakau. Klasifikasi SVM menggunakan larik sensor teroptimasi menghasilkan nilai akurasi yang sama dengan larik sensor asli. Dibandingkan larik sensor asli, running time klasifikasi SVM sensor teroptimasi yang diperoleh lebih singkat sebesar 5,91% tanpa normalisasi fitur dan sebesar 15,71% dengan normalisasi fitur pada pencuplikan sampel ganja-teh, pada pencuplikan sampel ganja-tembakau sebesar 10,65% tanpa normalisasi fitur dan sebesar 32,13% dengan normalisasi fitur

The TOMA lipid and OA lipid membrane-based electronic tongue sensor is used to recognize the character of pure cannabis, a mixture of pure cannabis with tea and a mixture of pure cannabis with tobacco samples. A mixture of two types of lipids and DOP as plasticizers is combined and used to fabricate 16 electronic tongue sensor membranes. Data analysis using PCA shows that there is sensor redundancy which is marked by the grouping of loading parameters of several sensors. It is necessary to optimize the sensor by reducing the sensor array using feature selection. Feature selection is performed using principal component analysis (PCA). PCA analysis produces a loading value, then interpreted into a plot that shows the contribution of each sensor to the formation of a new variable on PCA, and the similarity of sensor performance in characterizing samples is known. The similarity of the sensor performance is further analyzed using the correlation test so that the sensors that produce redundant information are known. To find out the performance of the sensor array, it needs to be validated using the support vector machine (SVM) classification method and compare of the classification performance of the original sensor array with the optimized sensor array generated from the feature selection technique. Feature selection that has been done reduces the number of sensors to 6 sensors in the cannabis-tea sample test and 3 sensors in the cannabis-tobacco sample test. The SVM classification using optimized sensor array produces the same accuracy value as the original sensor array. Compared to the original sensor array, SVM classification sensor's running time obtained shorter by 5.91% without feature normalization and by 15.71% with feature normalization in cannabis-tea sample sampling, 10.10% for cannabis-tobacco sampling without feature normalization and 32.13% with feature normalization.

Kata Kunci : electronic tongue, support vector machine, PCA, optimasi sensor, seleksi fitur