Semi-Kuantifikasi Electronic Nose Berdasarkan HS-SPME/GC-MS Untuk Klasifikasi Jenis Daging

Sabilla, Shoffi Izza (2021) Semi-Kuantifikasi Electronic Nose Berdasarkan HS-SPME/GC-MS Untuk Klasifikasi Jenis Daging. Doctoral thesis, Institut Teknologi Sepuluh Nopember.

[thumbnail of [Buku] Final_Buku Disertasi Shoffi Izza Sabilla-signed-signed.pdf] Text
[Buku] Final_Buku Disertasi Shoffi Izza Sabilla-signed-signed.pdf - Accepted Version
Restricted to Repository staff only

Download (5MB) | Request a copy
[thumbnail of 05111860010011-Disertation.pdf] Text
05111860010011-Disertation.pdf - Accepted Version
Restricted to Repository staff only until 1 October 2023.

Download (5MB) | Request a copy
[thumbnail of 05111860010011-Disertation.pdf] Text
05111860010011-Disertation.pdf - Accepted Version
Restricted to Repository staff only

Download (5MB) | Request a copy

Abstract

Masyarakat membedakan jenis daging secara tradisional dengan cara melihat warna, tekstur, dan mencium aromanya. Namun, untuk membedakan potongan jenis daging menggunakan cara tradisional kurang akurat jika dilakukan oleh manusia karena warna, tekstur, dan aroma memiliki beberapa kesamaan antara jenis daging satu dengan jenis daging yang lainnya sehingga butuh keahlian khusus dan pengalaman. Selain itu, hasil yang didapat berbeda antara satu orang dengan orang yang lainnya.
Saat ini, electronic nose (e-nose) telah banyak dikembangkan untuk mengidentifikasi berbagai jenis daging dengan cepat dan akurat dengan biaya produksi yang terjangkau. Namun, hasil dari e-nose tidak dapat digunakan sebagai analisis kuantitatif karena tidak dapat memberikan informasi gas atau volatile organic compound (VOC) dan jumlah kadar dari setiap VOC yang dapat membedakan antara jenis daging. Beberapa penelitian sebelumnya telah mengusulkan semi-kuantifikasi e-nose berdasarkan HS-SPME/GC-MS. Namun, hasil dari semi-kuantifikasi pada penelitian tersebut memiliki nilai eror yang tinggi dan tidak dilakukan klasifikasi kembali dari hasil semi-kuantifikasi.
Penelitian ini mengusulkan untuk mengembangkan semi-kuantifikasi e- nose berdasarkan Headspace Solid-Phase Microextraction/Gas Chromatography- Mass Spectrometer (HS-SPME/GC-MS) untuk klasifikasi jenis daging. Metode optimasi hyperparameter klasifikasi berbasis Single-Objective Modified Grey Wolf Optimization Deep Neural Network (SOM-GWO-DNN) dan Multi-Objective M- GWO-DNN (MOM-GWO-DNN) yang diusulkan dapat menemukan hyperparameter klasifikasi yang optimal dan dapat digunakan untuk analisis kualitatif jenis daging pada e-nose dengan akurasi 94,03% dan 95,52%. Metode Ensemble MOM-GWO-DNN strategi one versus one (OVO) berhasil meningkatkan akurasi analisis kualitatif pada e-nose sebesar 97,02%.
E-nose yang dikembangkan dapat melakukan semi-kuantifikasi dengan mengestimasi kadar %TIC dari VOC berdasarkan hasil HS-SPME/GC-MS menggunakan metode yang diusulkan yaitu Stacking MOM-GWO-DNNR dengan R2 mendekati sempurna yaitu 0,9845. Hasil estimasi kadar %TIC dari metode Stacking MOM-GWO-DNNR digunakan untuk klasifikasi jenis daging menggunakan metode MOM-GWO-DNN dengan akurasi 100% sehingga masyarakat dapat menggunakan aplikasi semi-kuantifikasi e-nose untuk klasifikasi empat jenis daging dengan efektif, efisien, portabel dan murah.

Item Type: Thesis (Doctoral)
Uncontrolled Keywords: electronic nose, semi-kuantifikasi, deep neural network, grey wolf optimization
Subjects: T Technology > T Technology (General) > T57.5 Data Processing
T Technology > T Technology (General) > T57.8 Nonlinear programming. Support vector machine. Wavelets. Hidden Markov models.
T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK7878 Electronic instruments
T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK7882.P3 Pattern recognition systems
Divisions: Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55001-(S3) PhD Thesis
Depositing User: Shoffi Izza Sabilla
Date Deposited: 07 Sep 2021 07:35
Last Modified: 07 Sep 2021 07:35
URI: http://repository.its.ac.id/id/eprint/91759

Actions (login required)

View Item View Item