Teh merupakan minuman yang disukai banyak orang di dunia ini. Pengklasifikasian kualitas teh sebelumnya dilakukan oleh manusia sehingga hasil klasifikasi bersifat subjektif. Oleh karena itu, digunakanlah 1Dimensional Convolutional Neural Network (1D CNN) untuk mencoba mengklasifikasikan teh dengan lebih objektif. Data teh yang digunakan memuat tiga sampel teh yang berbeda yaitu BOP, BP II dan Bohea. Data merupakan respon sensor TGS 2600, TGS 813, TGS 825, TGS 2602, TGS 2611, TGS 832, TGS 2612, TGS 2620, MQ7, TGS 822, TGS 826 dan TGS 2610 yang terangkum dalam electronic nose (enose). Data teh kemudian mengalami preprocessing menggunakan metode fractional dan diekstrak cirinya menggunakan metode maksimum. Setelah itu dilakukan klasifikasi menggunakan 1D CNN dengan memprediksi label sampel dengan label sebenarnya. Untuk mengoptimasi performa klasifikasi 1D CNN dilakukan beberapa variasi pada bentuk model dan tuning hyperparameter sehingga menghasilkan rata – rata akurasi akumulasi ketiga kualitas teh hitam sebesar 93.2% pada training dan 90.8% saat testing.
Tea is a drink that is favored by many people in this world. The classification of tea quality was previously done by humans so that the classification results are subjective. Therefore, 1Dimensional Convolutional Neural Network (1D CNN) is used to try to classify tea more objectively. The tea data used contains three different tea samples namely BOP, BP II and Bohea. The data is the sensor response of TGS 2600, TGS 813, TGS 825, TGS 2602, TGS 2611, TGS 832, TGS 2612, TGS 2620, MQ-7, TGS 822, TGS 826 and TGS 2610 which are summarized in the electronic nose (e-nose). The tea data is then preprocessed using the fractional method and extracted using the maximum method. After that, classification is carried out using 1D CNN to predict the real label of the sampels. To optimize the performance of 1D CNN classification, several variations in model shape and hyperparameter tuning were carried out, resulting in an average classification accuracy of the three black tea qualities of 93.2% in training and 90.8% in testing.
Kata Kunci : E-nose, Electronic Nose, Convolutional Neural Network, Klasifikasi
