Identifikasi Aroma Mint Berdasarkan Frekuensi Sinyal Sensor Piezoelektrik 12 Channel Menggunakan Convolutional Neural Network (CNN)

Kinanti, Cahaya Trinala and Adharul Muttaqin, ST., MT and Muhammad Aziz Muslim, ST., MT., Ph.D. (2023) Identifikasi Aroma Mint Berdasarkan Frekuensi Sinyal Sensor Piezoelektrik 12 Channel Menggunakan Convolutional Neural Network (CNN). Sarjana thesis, Universitas Brawijaya.

Abstract

Penelitian ini bertujuan untuk mengidentifikasi aroma mint berdasarkan frekuensi sinyal multisensor menggunakan model CNN-1D. Data yang digunakan merupakan data sekunder yang diambil di Botanical Institute of Karlsruhe Institute of Technology (KIT), Jerman. Terdapat 6 jenis aroma mint yang kemudian diambil data sinyal frekuensinya menggunakan sensor piezoelektrik dengan 12 jenis sensor QCM dengan material pelapisan berbeda. Total data yang diperoleh berjumlah 28746 titik data dengan rata-rata waktu pengambilan data selama 175.52 menit. Data yang telah diperoleh selanjutnya melalui tahap pre-processing untuk menghilangkan outlier lalu dilanjutkan dengan pembagian data menjadi data latih, data validasi, dan data uji. Proses pelatihan dilakukan menggunakan framework Tensorflow Keras dengan model arsitektur CNN-1D. Dalam tahap pengujiannya, terdapat 3 tahap pengujian yang dilakukan, yaitu pengujian performa pemodelan sistem dengan cara mengubah arsitektur dan parameter, pengujian performa identifikasi sistem, serta pengujian sistem menggunakan data noise. Pada tahap pertama, model dengan 150 epoch menghasilkan akurasi pelatihan dan validasi tertinggi, yaitu bernilai 97% dan 98%. Pada tahap kedua, model dengan 150 epoch, 100 epoch, serta model dengan penambahan BatchNormalization() mendapatkan akurasi uji yang serupa, yaitu bernilai 94% - 95%. Pada tahap terakhir, model diuji menggunakan keseluruhan data dengan noise menghasilkan akurasi mencapai 98% dengan waktu prediksi selama 2 detik. Hasil ini menunjukkan bahwa teknologi pengidentifikasian aroma dengan multisensor menggunakan model CNN-1D dapat mengidentifikasi aroma mint secara efektif dan efisien.

English Abstract

This research aims to identify mint scent based on multisensor signal frequency using CNN-1D model. The data used is secondary data taken at the Botanical Institute of Karlsruhe Institute of Technology (KIT), Germany. There are 6 types of mint aroma and the frequency signal data is taken using piezoelectric sensors with 12 types of QCM sensors using various layering materials. The total data obtained is 28746 data points with an average data collection time of 175.52 minutes. The data that has been obtained then goes through a pre-processing stage to remove outliers and then followed by dividing the data into training data, validation data, and test data. The training process is performed using the Keras Tensorflow framework with the CNN-1D architecture model. In the testing phase, there are 3 stages of testing performed, testing system modeling performance by changing architecture and parameters, testing system identification performance, and testing the system using noise data. In the first testing phase, the model with 150 epochs produces the highest training and validation accuracy, which is 97% and 98%. In the second phase, the model with 150 epochs, 100 epochs, and the model with the addition of BatchNormalization() get similar test accuracy, ranging from 94% - 95%. In the last phase, the model was tested using the entire noise data, resulting in an accuracy of 98% with a prediction time of 2 seconds. These results show that multisensor scent identification technology using CNN-1D model can identify mint scent effectively and efficiently.

Other obstract

-

Item Type:	Thesis (Sarjana)
Identification Number:	0523070194
Uncontrolled Keywords:	Multisensor, Convolutional Neural Network (CNN), CNN-1D, Identifikasi Aroma, Identifikasi Sinyal.
Subjects:	600 Technology (Applied sciences) > 621 Applied physics > 621.3 Electrical, magnetic, optical, communications, computer engineering; electronics, lighting > 621.38 Electronics, communications engineering > 621.381 Electronics
Divisions:	Fakultas Teknik > Teknik Elektro
Depositing User:	Endang Susworini
Date Deposited:	25 Sep 2023 01:23
Last Modified:	25 Sep 2023 01:23
URI:	http://repository.ub.ac.id/id/eprint/203211

Text (DALAM MASA EMBARGO) Cahaya Trinala Kinanti.pdf Restricted to Registered users only until 31 December 2025. Download (5MB)

Actions (login required)

View Item