Klasifikasi Teh Hitam Berbasis E-nose Menggunakan Multilayer Perceptron (MLP)

RISTA MAYA ZULIFA, Dr. Danang Lelono, S.Si., M.T. ; Diyah Utami K P, S.Kom., M.Sc., M.Cs.

2021 | Skripsi | S1 ELEKTRONIKA DAN INSTRUMENTASI

Metode analisis pola aroma teh hitam menggunakan e-nose banyak dijumpai dengan pendekatan machine learning konvensional. Diketahui bahwa preprocessing dan ekstraksi ciri merupakan langkah penting dalam pemrosesan data dengan machine learning untuk e-nose. Namun, proses tersebut dikerjakan dan disesuaikan secara manual. Hasil representasi informasi data melaui tahap preprocessing dan ekstraksi ciri yang dikerjakan secara manual tidak ada jaminan dapat mengoptimalkan performa model pada machine learning. Performa machine learning akan menurun apabila representasi informasi data yang dihasilkan tidak spesifik. Penelitian ini bertujuan melakukan klasifikasi data aroma teh hitam tanpa melalui preprocessing dan ekstraksi ciri menggunakan deep learning neural network. Data input pada sistem klasifikasi berupa 4 buah teh hitam dengan masing-masing terdiri dari 15 sampel. Metode deep learning yang digunakan yaitu Multilayer perceptron (MLP). Terdapat beberapa parameter dalam MLP diantaranya, fungsi aktivasi, fungsi optimasi, jumlah hidden layer dan jumlah node. Parameter tersebut akan divariasikan untuk mendapatkan model MLP yang terbaik. Langkah pertama dilakukan percobaan untuk mendapatkan fungsi aktivasi dan fungsi optimasi yang paling optimal. Selanjutnya, dilakukan percobaan dengan variasi hidden layer dan jumlah node. Hasil klasifikasi tanpa preprocessing dan ekstraksi ciri kemudian dibandingkan dengan hasil klasifikasi melalui preprocessing dan ekstraksi ciri untuk mengetahui performa sistem klasifikasi yang terbaik. Hasil penelitian menunjukkan bahwa klasifikasi Deep learning Multilayer perceptron (MLP) tanpa preprocessing dan ekstraksi ciri memiliki performa yang lebih tinggi dengan memperoleh akurasi terbaik sebesar 98,33% dibandingkan klasifikasi melalui preprocessing dan ekstraksi ciri dengan perolehan akurasi terbaik sebesar 86,66%.

The method of analyzing black tea aroma patterns using the e-nose is often found with conventional machine learning approaches. It is known that preprocessing and feature extraction are important steps in data processing using machine learning for e-noses. However, the process is done and adjusted manually. The results of representing data information through the preprocessing stage and feature extraction that are done manually are not guaranteed to optimize the performance of models in machine learning. Machine learning performance will decrease if the representation of the resulting data information is not specific. This study aims to classify black tea aroma data without going through preprocessing and feature extraction using a deep learning neural network. The input data for the classification system consisted of 4 black teas, each consisting of 15 samples. The deep learning method used is the multilayer perceptron (MLP). There are several parameters in MLP including the activation function, the optimization function, the number of hidden layers and the number of nodes. These parameters will be varied to get the best MLP model. The first step is an experiment to get the optimal activation and optimization functions. Furthermore, an experiment was carried out with variations in the hidden layer and the number of nodes. The classification results without preprocessing and feature extraction are then compared with the classification results through preprocessing and feature extraction to determine the best performance of the classification system. The results showed that the classification of deep learning multilayer perceptron (MLP) without preprocessing and feature extraction had a higher performance by obtaining the best accuracy of 98.33% compared to classification through preprocessing and feature extraction with the best accuracy of 86.66%.

Kata Kunci : e-nose, klasifikasi teh, deep learning, MLP