Klasifikasi Leksikon Sensori Roda Rasa Kopi berdasarkan Sinyal Elektronik Nose dan Penyimpanan Informasi dalam Bentuk Quick Response Code

Bawono, Bayu Surya (2023) Klasifikasi Leksikon Sensori Roda Rasa Kopi berdasarkan Sinyal Elektronik Nose dan Penyimpanan Informasi dalam Bentuk Quick Response Code. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05111840000114-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (5MB) | Request a copy

Abstract

Kopi merupakan salah satu komoditas perkebunan terbesar didunia. Selain dari itu, peminat dan pasar kopi juga sangat berkembang dalam beberapa tahun terakhir. Hal ini ditunjukkan dengan menjamurnya warung kopi, kafe, serta market paalce yang menjajahkan kopi sebagai barang dagangnya. Kopi memiliki berbagai macam jenis diantaranya ada robusta, arabika dan ekselsa. Selain dari itu, harga kopi juga berbeda-beda tergantung dari jenis kopi sereta kualitas dari kopi yang diperjual belikan. Oleh karena itu sangat penting dalam menjaga kualitas kopi dengan mengklasifikasikan kopi berdasarkan jenis atau aroma dengan tepat dalam industri kopi. Dalam proses klasifikasi kopi banyak metode yang sudah dilakukan meliputi klasifikasi kopi dengan pendekatan senyawa voaltil kopi menggunakan alat Gas Chromatography-Mass Spectrometry (GCMS), pendekatan ini membutuhkan biaya yang besar serta harus di operasikan oleh seorang ahli dalam mengoperasikan alat. Pendekatan lainnya yaitu menggunakan bantuan alat electronic nose yang relatif lebih murah dan mudah dalam penggunaannya dengan memanfaatkan beberapa metode machine learning . Penelitian yang secara spesifik mengenai klasifikasi aroma kopi berdasarkan roda rasa kopi masih terbatas, meskipun penting untuk diingat bahwa roda rasa kopi merupakan acuan aroma kopi yang diterima secara internasional. Berdasarkan pernyataan diatas, pada penelitian ini mengusulkan klasifikasi berdasarkan aroma kopi menggunakan pendekatan roda rasa kopi dengan electronic nose. Proses klasifikasi aroma kopi ini akan dilakukan menggunakan data sinyal yang diperoleh dari elektronic nose.Pada penelitian klasifikasi kopi berdasarkan aroma yang dilakukan akan melalui beberapa tahapan sebelum data tersebut dilakukan klasifikasi. Tahapan yang pertama akan melakukan deteksi outlier menggunakan metode interquartile untuk mengetahui data yang berada diluar Batasan upper ataupun batasan lower, data-data yang berada diluar Batasan tersebut akan dianggap sebagai data outlier yang layak dihapuskan. Tahapan yang kedua merupakan tahapan memperhalus data sinyal mengguakan metode moving average. Tahapan ketiga melakukan seleksi fitur dengan mengubah data menjadi beberapa parameter statistik seperti mean, standard deviasi, minimum, maximum, skewness dan kurtosis. Parameter statistik tersebut akan dijadikan fitur dalam klasifikasi, dan tahapan terakhir merupakan tahapan seleksi fitur menggunakan metode pearson correlation yang menghitung korelasi antar fitur. Fitur yang paling dominan akan dijadikan fitur dalam pengujian klasifikasi senyawa volatile pada kopi. Metode yang digunakan sebagai komparasi ada beberapa jenis, seperti decision tree, logistic regression, random forest, serta deep neural network. Adapun pembagian data latih dan data uji akan menggunakan stratified k-fold cross validation dengan k sebesar 5 yang berguna sebagai kesetaraan data yang dilaksanakan pada setiap pengujian sampel pada penelitian. Dari model terbaik yang didapat yaitu random forest dengan akurasi sebesar 100%, akan diberikan data kopi guna mengklasifikasikan data kopi tersebut untuk diketahui jenisnya dan juga untuk menghasilkan quick response code yang akan mengarahkan pada sebuah laman web yang memuat infomasi dari kopi tersebut. Hasil percobaan menunjukkan bahwa metode random forest mampu megklasifikasikan seluruh data sesuai dengan kelasnya masing-masing. Dan membangun kode quick response sebagai media penyimpanan informasi terkait kopi yang diklasifikasikan.
=================================================================================================================================
Coffee is one of the largest plantation commodities in the world. Apart from that, coffee enthusiasts and markets have also developed greatly in recent years. This is shown by the mushrooming of coffee shops, cafes, and market places that colonize coffee as a trade item. Coffee has various types including Robusta, Arabica and Ekselsa. Apart from that, the price of coffee also varies depending on the type of coffee and the quality of the coffee being traded. Therefore it is very important in maintaining coffee quality by classifying coffee based on type or aroma correctly in the coffee industry. In the coffee classification process, many methods have been used, including coffee classification with the coffee voaltile compound approach using a Gas Chromatography-Mass Spectrometry (GCMS) tool, this approach requires a large amount of money and must be operated by an expert in operating the tool. Another approach is to use the help of an electronic nose tool which is relatively cheaper and easier to use by utilizing several machine learning methods. Research specifically on coffee aroma classification based on the coffee flavor wheel is still limited, although it is important to remember that the coffee flavor wheel is the internationally accepted reference for coffee aroma. Based on the statement above, this study proposes a classification based on coffee aroma using a coffee flavor wheel approach with an electronic nose. The coffee aroma classification process will be carried out using signal data obtained from the electronic nose. In the aroma-based coffee classification study, several stages will be carried out before the data is classified. The first step will be to detect outliers using the interquartile method to find out data that is outside the upper or lower limits, data that is outside these limits will be considered as outlier data that deserves to be deleted. The second stage is the stage of refining the signal data using the moving average method. The third stage performs feature selection by converting the data into several statistical parameters such as mean, standard deviation, minimum, maximum, skewness and kurtosis. These statistical parameters will be used as features in the classification, and the last stage is the feature selection stage using the Pearson correlation method which calculates the correlation between features. The most dominant feature will be used as a feature in testing the classification of volatile compounds in coffee. There are several types of methods used as comparisons, such as decision trees, logistic regression, random forests, and deep neural networks. As for the division of training data and test data will use stratified k-fold cross validation with k of 5 which is useful as data equality carried out in each sample test in the study. From the best model obtained, namely random forest with 100% accuracy, coffee data will be given to classify the coffee data to determine its type and also to produce a quick response code that will direct you to a web page containing information from the coffee. The experimental results show that the random forest method is able to classify all data according to their respective classes. And building a quick response code as a storage medium for information related to classified coffee.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Roda Rasa Kopi, Electronic Nose, Quick Response Code, Informasi Kopi, Coffee Flavor Wheel, Coffee Information.
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines. T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK7871.674 Detectors. Sensors T Technology > TP Chemical technology > TP370 Food processing and manufacture
Divisions:	Faculty of Information and Communication Technology > Informatics > 55201-(S1) Undergraduate Thesis
Depositing User:	Bayu Surya Bawono
Date Deposited:	09 Nov 2023 05:11
Last Modified:	09 Nov 2023 05:11
URI:	http://repository.its.ac.id/id/eprint/102960

Actions (login required)

View Item