Sistem Cerdas Klasifikasi Tingkat Kadar Karbohidrat pada Nasi Menggunakan Electronic Nose dan Machine Learning

Wibowo, Rafif Naufaldi (2024) Sistem Cerdas Klasifikasi Tingkat Kadar Karbohidrat pada Nasi Menggunakan Electronic Nose dan Machine Learning. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5027201010_Undergraduate-Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (7MB) | Request a copy

Abstract

Kesadaran akan pentingnya pemantauan pola makan dan kesehatan semakin meningkat. Pola makan yang seimbang sangat penting untuk menjaga kesehatan tubuh. Nasi merupakan makanan pokok di banyak negara, termasuk Indonesia, dan seringkali menjadi bagian utama dari berbagai hidangan. Untuk menjaga keseimbangan dalam komsumsi karbohidrat, penting untuk mengetahui kadar karbohidrat yang dikonsumi. Namun, perhitungan kadar karbohidrat pada nasi seringkali dilakukan dengan estimasi kasar atau berdasarkan data umum, tanpa mempertimbangkan variasi yang sebenarnya dalam komposisi karbohidrat nasi. Tugas akhir ini diajukan untuk merancang sistem cerdas untuk mengetahui tingkat kadar karbohidrat pada nasi. Sensor yang digunakan adalah electronic nose dengan jumlah 3 MOS (metal oxide sensors), MQ4, MQ8, dan MQ136, yang terintegrasi dengan microcontroller secara analog dan menghasilkan data numerik. Setiap data dimodelkan menjadi empat kelas, normal, sedikit lebih rendah, lebih rendah, dan tidak ada nasi, serta diklasifikasikan menggunakan machine learning. Diperoleh data ground truth setiap sensor terhadap tingkat kadar karbohidrat pada nasi. Sensor MQ4 menunjukkan rentang pembacaan 1743 – 1841, sensor MQ8 memiliki rentang pembacaan 144 – 198, dan sensor MQ136 mencatat rentang pembacaan 2044 – 2293. Tingkat kadar karbohidrat dapat diklasifikasikan menggunakan algoritma Random Forest dengan akurasi 95,81%. Data gas diperoleh oleh electronic nose dan dikirim jaringan Bluetooth kepada raspberry pi. Raspberry pi akan mengklasifikasikan data dan menampilkannya dengan GUI
melalui monitor.
===================================================================================================================================
Awareness of the importance of diet and health monitoring is increasing. A balanced diet is essential for maintaining a healthy body. Rice is a staple food in many countries, including Indonesia, and is often the main part of many dishes. To maintain a balanced carbohydrate intake, it is important to know the amount of carbohydrates consumed. However, the calculation of carbohydrate content in rice is often done by rough estimation or based on general data, without considering the actual variation in the carbohydrate composition of rice. This final project is proposed to design an intelligent system to determine the level of carbohydrate content in rice. The sensor used is an electronic nose with a total of 3 MOS (metal oxide sensors), MQ4, MQ8, and MQ136, which are integrated with a microcontroller in an analog manner and produce numerical data. Each data is modeled into four classes, normal, slightly lower, lower, and no rice, and classified using machine learning. Ground truth data was obtained for each sensor on the level of carbohydrate content in rice. The MQ4 sensor showed a reading range of 1743 - 1841, the MQ8 sensor had a reading range of 144 - 198, and the MQ136 sensor recorded a reading range of 2044 - 2293. Carbohydrate levels can be classified using the Random Forest algorithm with an accuracy of 95,81%. The gas data is acquired by the electronic nose and sent by the Bluetooth network to the raspberry pi. Raspberry pi will classify the data and display it with a GUI through the monitor.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Electronic Nose, Karbohidrat, Machine Learning, dan Nasi
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information Technology > 59201-(S1) Undergraduate Thesis
Depositing User:	Rafif Naufaldi Wibowo
Date Deposited:	29 Jul 2024 04:02
Last Modified:	29 Jul 2024 04:02
URI:	http://repository.its.ac.id/id/eprint/109457

Actions (login required)

View Item