Noise Reduction Electronic Nose Data Keringat Ketiak Manusia Untuk Meningkatkan Akurasi Data Invalid Dalam Deteksi Penyakit Pernafasan Menular

Ardani, M. Syauqi Hanif (2022) Noise Reduction Electronic Nose Data Keringat Ketiak Manusia Untuk Meningkatkan Akurasi Data Invalid Dalam Deteksi Penyakit Pernafasan Menular. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6025201023-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2024. Download (5MB) | Request a copy

Abstract

Dalam ketiak manusia, terdapat senyawa mikro organisme yang memproduksi Volatile Organic Compounds (VOCs) yang tercampur dengan keringat. Dari VOCs inilah, dilakukan analisa dengan menggunakan deep-learning sehingga dapat membedakan orang yang sudah terpapar SARS dengan yang sehat. Namun, ketiak manusia masih sangat rentan terkena aroma lain yang dapat mengganggu proses pendeteksian, diantaranya penggunaan deodoran, alkohol, dan lain sebagainya. Proses pengambilan data dilakukan dengan menggunakan perangkat Electronic Nose (e-nose) yang menggunakan 8 sensor Metal Oxide Semiconductor (MOS). Sinyal keluaran dari sensor gas tidak hanya berisi sinyal gas dari sumber asal bau, tetapi juga sangat berpotensi mengandung zat-zat lain. Pendekatan yang dilakukan dalam penelitian ini adalah dengan mendeteksi kelompok data (cluster) dan titik tengah data (centroid) dari setiap data acuan yang merupakan data keringat ketiak bebas deodoran untuk menjadi landasan data sinyal bersih yang bebas dari deodoran. Kemudian melakukan reduksi dimensi menggunakan Linear Discriminant Analysis (LDA) terhadap data acuan tersebut dan dicari titik pusat setiap datanya menggunakan K-Means Clustering dan digunakan untuk menjadi estimasi sinyal yang baik dan diproses menggunakan Kalman Filtering agar dapat digunakan untuk memproses data keringat ketiak yang mengandung deodoran. Ketika menggunakan original invalid data, akurasi yang diperoleh hanya 57,52% dengan Balance Accuracy sebesar 62,59%. Sedangkan ketika menggunakan filtered data dengan metode yang diusulkan, akurasi yang didapatkan sebesar 76,47%, dan Balanced Accuracy sebesar 74,46%. Metode yang diusulkan dapat meningkatkan akurasi sebanyak 18,95%, serta Balanced Accuracy sebanyak 11,87%. Metode ini juga dapat merubah data invalid original yang salah prediksi menjadi benar sebanyak 47 data.
====================================================================================================================================
In the human armpit, there are microbial compounds that produce Volatile Organic Compounds (VOCs), which are mixed with sweat. From these VOCs, analysis was carried out using deep learning to distinguish people who had been exposed to SARS from those who were healthy. However, human armpits are still very susceptible to other scents that can interfere with the detection process, including the use of deodorants, alcohol, and so on. The process of collecting armpit sweat use an electronic nose (e-nose) device that uses 8 Metal Oxide Semiconductor (MOS) sensors. The output signal from the gas sensor not only contains a gas signal from the source of the odor but also has the potential to contain other substances. The approach taken in this study is to detect data groups (clusters) and data midpoints (centroids) from each training data, which is deodorant-free armpit data to become the basis for deodorant-free clean signal data. Then do dimension reduction using Linear Discriminant Analysis (LDA) on the reference data and look for the center point of each data using K-Means Clustering and use it to be a good signal estimate and process using Kalman Filtering so that it can be used to process armpit sweat data containing deodorant. When using the original invalid data, the Accuracy testing obtained was only 57.52% with a Balance Accuracy of 62.59%. Meanwhile, when using proposed filtered data, the Accuracy Testing obtained was 76.47%, and the Balanced Accuracy was 74.46%. The proposed method can increase accuracy by 18.95%, and balanced accuracy by 11.87%. This method can also change the original invalid data that was wrongly predicted to be correct as many as 47 data.

Item Type:	Thesis (Masters)
Additional Information:	RTIf 629.89 Ard n-1 2022
Uncontrolled Keywords:	electronic nose, noise reduction, bau ketiak manusia, penyakit pernafasan menular, SARS,
Subjects:	T Technology > TA Engineering (General). Civil engineering (General) > TA1573 Detectors. Sensors
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	- Davi Wah
Date Deposited:	02 Feb 2024 04:13
Last Modified:	02 Feb 2024 04:13
URI:	http://repository.its.ac.id/id/eprint/105269

Actions (login required)

View Item