RANCANG BANGUN SPEKTROFOTOMETER DENGAN WEBCAM BERBASIS SENSOR CMOS UNTUK KLASIFIKASI PEMALSUAN MADU MENGGUNAKAN DEEP LEARNING

MUHAMMAD RIDHO PRATAMA, . (2024) RANCANG BANGUN SPEKTROFOTOMETER DENGAN WEBCAM BERBASIS SENSOR CMOS UNTUK KLASIFIKASI PEMALSUAN MADU MENGGUNAKAN DEEP LEARNING. Sarjana thesis, UNIVERSITAS NEGERI JAKARTA.

	Text COVER.pdf Download (1MB)
	Text Bab 1.pdf Download (430kB)
	Text Bab 2.pdf Restricted to Repository staff only Download (1MB) | Request a copy
	Text Bab 3.pdf Restricted to Repository staff only Download (695kB) | Request a copy
	Text Bab 4.pdf Restricted to Repository staff only Download (778kB) | Request a copy
	Text Bab 5.pdf Restricted to Repository staff only Download (284kB) | Request a copy
	Text Daftar Pustaka.pdf Download (407kB)
	Text Lampiran.pdf Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Keaslian madu seringkali diragukan karena praktik pemalsuan yang marak terjadi. Hal ini menimbulkan masalah kesehatan dan merugikan peternak madu yang jujur. Pemanfaatan fitur spektral sangat berpotensi untuk mendeteksi pemalsuan madu karena kemudahan prosedur pengujian. Namun, spektrofotometer konvensional masih cenderung mahal dan dimensi yang besar. Pada penelitian ini dilakukan pengembangan spektrofotometer cahaya tampak yang kompak dan murah dengan sensor webcam dan elemen dispersif dari keping DVD yang ditujukan untuk klasifikasi kemurnian madu. Model klasifikasi yang digunakan meliputi Deep Neural Network (DNN) dan Convolutional Neural Network (CNN). Dalam penelitian ini, spektrofotometer yang dibangun dengan dimensi 17.8 ×8×7 cm digunakan untuk mengumpulkan data spektrum intensitas cahaya yang diteruskan oleh sampel madu. Terdapat empat sampel madu yang digunakan, yakni madu asli, campuran madu dan sirup jeruk, madu dan sirup tebu, serta madu dan sirup palem. Sampel dibuat dengan cara mencampurkan madu asli dengan sirup pada berbagai konsentrasi. Data intensitas yang didapatkan kemudian diekstraksi menjadi fitur absorbansi, diferensial intensitas orde-1, dan diferensial absorbansi orde-1. Berikutnya keempat fitur tersebut direduksi dan dianalisis dengan VAE dan PCA. PCA dan VAE dengan hasil terbaik akan digunakan sebagai acuan dalam penentuan input pada model klasifikasi. Hasil penelitian menunjukkan bahwa model DNN dengan input ruang laten VAE pada fitur insensitas serta komponen utama PCA pada fitur diferensial intensitas orde-1 memiliki akurasi sempurna yakni 100%. Sementara, model CNN dengan input fitur intensitas memiliki akurasi sebesar 100%. Dengan demikian, penelitian ini menunjukkan bahwa spektrofotometer berbasis webcam yang dibangun dapat digunakan sebagai alat efektif, murah, dan akurat dalam pendeteksian kemurnian madu.*****The authenticity of honey is often questioned due to the rampant practice of adulteration. This raises health concerns and harms honest beekeepers. The use of spectral features has great potential for detecting honey adulteration due to the ease of the testing procedure. However, conventional spectrophotometers are still relatively expensive and bulky. This study aims to develop a compact and inexpensive visible-light spectrophotometer using a webcam sensor and a dispersive element from a DVD for classifying honey purity. The classification models used include Deep Neural Network (DNN) and Convolutional Neural Network (CNN). In this study, a spectrophotometer built with dimensions of 17.8 ×8×7 cm cm was used to collect the spectrum data of light intensity transmitted by the honey sample. Four honey samples were used: pure honey, honey mixed with orange syrup, honey mixed with cane syrup, and honey mixed with palm syrup. Samples were prepared by mixing pure honey with syrups at various concentrations. The obtained intensity data was then extracted into absorbance features, first-order intensity differential, and first-order absorbance differential. After that, the four features are reduced and analyzed using VAE and PCA. The best results from PCA and VAE were used as references in determining the input for the classification model. The results showed that the DNN model with VAE latent space input on the intensity feature and PCA principal component on the first-order intensity differential feature had perfect accuracy of 100%. Meanwhile, the CNN model with intensity feature input had an accuracy of 99.5%. Thus, this study demonstrates that the constructed webcam-based spectrophotometer can be used as an effective, inexpensive, and accurate tool in detecting honey purity.

Item Type:	Thesis (Sarjana)
Additional Information:	1). Dr.rer.nat Bambang Heru Iswanto, M.Si. 2). Haris Suhendar, M.Si.
Subjects:	Sains > Fisika
Divisions:	FMIPA > S1 Fisika
Depositing User:	Users 24906 not found.
Date Deposited:	20 Aug 2024 01:48
Last Modified:	20 Aug 2024 01:48
URI:	http://repository.unj.ac.id/id/eprint/50143

Actions (login required)

View Item