Alat Pendeteksi Kesegaran Boga Bahari Menggunakan Sensor Gas dan Algoritma Machine Learning - Dalam bentuk buku karya ilmiah
LAKSAMANA MIKHAIL HERMAWAN

Informasi Umum

Kode

25.04.122

Klasifikasi

006.31 - Machine Learning

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Machine - Learning

Dilihat

73 kali

Informasi Lainnya

Abstraksi

Kesegaran produk boga bahari adalah faktor krusial dalam menentukan kualitas dan<br /> keamanan pangan, terutama di industri perikanan dan makanan laut. Proses pembusukan yang<br /> cepat pada produk ini sering kali tidak terdeteksi secara visual, sehingga memerlukan metode<br /> lebih akurat dan efisien untuk evaluasi kualitas. Salah satu tantangan utama dalam industri<br /> makanan laut adalah menilai kesegaran secara real-time dengan cara praktis dan dapat<br /> diandalkan. Oleh karena itu, dibutuhkan teknologi yang mampu mendeteksi perubahan kualitas<br /> udara akibat gas-gas pembusukan sebagai indikator kesegaran.<br /> Penelitian ini bertujuan mengembangkan teknologi deteksi kesegaran boga bahari secara<br /> real-time menggunakan sistem electronic nose, dengan fokus pada analisis gas pembusukan<br /> sebagai indikator utama. Ruang lingkup penelitian mencakup pengujian kesegaran beberapa<br /> jenis boga bahari, seperti tuna, salmon, udang, cod, dan kepiting. Sistem yang dikembangkan<br /> terdiri dari perangkat electronic nose berbasis sensor gas dan algoritma machine learning. Data<br /> dari sensor gas dianalisis menggunakan algoritma seperti Random Forest, K-Nearest<br /> Neighbors (KNN), Naive Bayes, Decision Tree, AdaBoost, Gradient Boosting, dan XGBoost.<br /> Proses seleksi algoritma dilakukan untuk memilih model terbaik berdasarkan akurasi, efisiensi<br /> memori, dan kecepatan. Selain itu, dilakukan analisis Principal Sensor Selection (PSS) untuk<br /> menentukan kombinasi sensor gas paling efektif dalam mendeteksi gas pembusukan.<br /> Dari analisis PSS, empat sensor gas terpilih adalah MQ-137, MQ-2, MQ-8, dan MQ-9,<br /> yang mampu mendeteksi perubahan konsentrasi gas pembusukan secara andal. Hasil penelitian<br /> menunjukkan algoritma XGBoost memiliki performa terbaik dengan nilai konsisten 1.00 pada<br /> precision, recall, dan f1-score di setiap kelas klasifikasi, serta cross validation 0.998 pada tuna,<br /> 0.9993 pada salmon, 0.9981 pada cod, 0.9967 pada udang, dan 0.9995 pada kepiting. Pada uji<br /> regresi, XGBoost juga memiliki nilai R&sup2; score dan RMSE tinggi, dengan cross validation<br /> 0.0064 pada tuna, 0.013 pada salmon, 0.014 pada cod, 0.0049 pada udang, dan 0.013 pada<br /> kepiting. Sistem yang diusulkan ini memberikan solusi efektif untuk mendeteksi kesegaran<br /> boga bahari secara real-time, sehingga meningkatkan kualitas dan daya saing produk di industri<br /> makanan laut.<br /> Kata kunci : Ada boost, Decision tree, Electronic nose, Gradient boosting, Kesegaran boga<br /> Bahari, KNN, Machine learning, Naive bayes, Sensor gas, XGBoost

• TTI4I3 - AI DAN BIG DATA ANALYSIS

Koleksi & Sirkulasi

Tersedia 1 dari total 1 Koleksi

Pengarang

Penerbit

Sirkulasi

Download / Flippingbook