Reduksi Noise Sinyal Electronic Nose dalam Klasifikasi Data Keringant Ketiak Manusia Menggunakan Machine Learning

Sidiq, Abdulatif Fajar (2023) Reduksi Noise Sinyal Electronic Nose dalam Klasifikasi Data Keringant Ketiak Manusia Menggunakan Machine Learning. Other thesis, Institut Teknologi Sepuluh Nopember.

[thumbnail of 05111840007002-Undergraduate_Thesis.pdf] Text
05111840007002-Undergraduate_Thesis.pdf - Accepted Version
Restricted to Repository staff only until 1 April 2025.

Download (2MB) | Request a copy

Abstract

Data merupakan salah satu aset penting yang dibutuhkan oleh banyak kalangan, karena data yang diolah dengan baik dan benar akan sangat membantu manusia. Namun, dalam prosesnya data tidak dapat secara langsung digunakan untuk mengambil sebuah Langkah dan kesimpulan, karena bisa jadi terdapat data yang mengganggu atau dapat kita sebut sebagai noise. Noise inilah yang harus dibersihkan terlebih dahulu sehingga data yang digunakan dapat menjadi optimal. Pada penelitian ini digunakan data berupa nilai dari sinyal Elektronik Nose yaitu sebuah hidung buatan yang dapat mengubah aroma menjadi sinyal electric yang dapat diolah dengan lebih mudah. Data yang diambil berupa aroma keringat ketiak manusia yang memiliki aroma khusus sehingga dapat diklasifikasikan dan dijadikan acuan untuk mendiagnosa penyakit. Dengan membandingkan aroma keringat orang yang sehat dan orang yang sakit, diharapkan nantinya E-Nose dapat menjadi salah satu alat bantu untuk menentukan sebuah penyakit. Namun sebelum diolah, dilakukan pengurangan noise dari data keringat sehingga hasil akurasi klasifikasi data keringat ketiak manusia menjadi meningkat. Dengan metode machine learning, didapatkan hasil bahwa filter FFT memiliki sinyal yang lebih baik dan bersih dari noise dibandingkan dengan filter lainnya, dilihat dari bentuk sinyal setelah dibersihkan dan juga hasil akurasi yang lebih tinggi dibandingkan dengan filter lain. Metode klasifikasi yang paling baik adalah Support Vector Machine (SVM) dengan hasil akurasi 77% lebih tinggi dibandingkan dengan metode Random Forest, Decision Tree, dan K-Nearest Neighbors (KNN). Hasil confusion matrix dari SVM menunjukkan ketidak-seimbangan data, di mana sampel dengan status 0 yaitu data aroma dari sampel orang sehat hampir 1:3 dibanding sampel dengan status 1 atau data aroma dari sampel orang sakit. Menggunakan Random Over Sampling untuk menyeimbangkan data, hasil akurasi menigkat hingga menjadi 87,5% pada metode klasifikasi Random Forest dan ekstraksi fitru mean_min_max.
===============================================================================================================================
Data is one of the important assets needed by many people, because data that is processed properly and correctly will really help humans. However, in the process the data cannot be directly used to take steps and conclusions, because there may be disturbing data or we can call it noise. This noise must be cleaned first so that the data used can be optimal. In this study, data was used in the form of the value of the Electronic Nose signal, namely an artificial nose that can convert aroma into an electric signal that can be processed more easily. The data taken is in the form of the smell of human armpit sweat which has a special aroma so that it can be classified and used as a reference for diagnosing disease. By comparing the smell of sweat of healthy people and sick people, it is hoped that later E-Nose can become a tool to determine a disease. However, before processing, noise reduction was carried out from the sweat data so that the results of the classification accuracy of human armpit sweat data increased. Using the machine learning method, the results show that the FFT filter has a better and cleaner signal from noise compared to other filters, judging from the shape of the signal after cleaning and also higher accuracy results compared to other filters. The best classification method is the Support Vector Machine (SVM) with an accuracy of 77% higher than the Random Forest, Decision Tree, and K-Nearest Neighbors (KNN) methods. The results of the confusion matrix from SVM show an imbalance of data, where samples with status 0 (aroma data that represent a sample of healthy people) are almost 1:3 compared to samples with status 1 (aroma data that represent a sample of sick people). Using Random Over Sampling method to balance the data, the accuracy results increase to 87.5% in the Random Forest classification method and mean_min_max feature extraction

Item Type: Thesis (Other)
Uncontrolled Keywords: Electronic Nose, Keringat Ketiak, Machine Learning , Noise, Sweat Armpit
Subjects: H Social Sciences > HD Industries. Land use. Labor > HD108 Classification (Theory. Method. Relation to other subjects )
Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines.
T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK5102.9 Signal processing.
Divisions: Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20201-(S1) Undergraduate Thesis
Depositing User: Abdulatif Fajar Sidiq
Date Deposited: 09 Feb 2023 03:22
Last Modified: 09 Feb 2023 03:22
URI: http://repository.its.ac.id/id/eprint/96594

Actions (login required)

View Item View Item