RANCANG BANGUN SPEKTROFOTOMETER BERBASIS RASPBERRY PI UNTUK KLASIFKASI JENIS TEH MENGGUNAKAN MACHINE LEARNING

MICHAEL SETIYANTO SILAMBI, . (2024) RANCANG BANGUN SPEKTROFOTOMETER BERBASIS RASPBERRY PI UNTUK KLASIFKASI JENIS TEH MENGGUNAKAN MACHINE LEARNING. Sarjana thesis, UNIVERSITAS NEGERI JAKARTA.

	Text Cover.pdf Download (3MB)
	Text Bab I.pdf Download (2MB)
	Text Bab II.pdf Restricted to Repository staff only Download (4MB) | Request a copy
	Text Bab III.pdf Restricted to Registered users only Download (3MB) | Request a copy
	Text Bab IV.pdf Restricted to Registered users only Download (3MB) | Request a copy
	Text Bab V.pdf Restricted to Registered users only Download (546kB) | Request a copy
	Text Dafta Pustaka.pdf Download (3MB)
	Text Lampiran.pdf Restricted to Repository staff only Download (674kB) | Request a copy

Abstract

Spektrofotometer telah menjadi salah satu alat standar dalam mengevaluasi mutu produk makanan dan minuman. Namun, kendala portabilitas dan biaya yang tinggi seringkali membatasi penerapannya, terutama dalam industri ataupun laboratorium skala kecil. Penelitian ini bertujuan untuk mengatasi permasalahan tersebut dengan merancang sebuah spektrofotometer yang kompak dan ekonomis berbasis Raspberry Pi. Prototipe yang dikembangkan kemudian diaplikasikan untuk mengklasifikasi beragam jenis teh, meliputi teh hijau, teh oolong, dan teh hitam. Pengembangan perangkat ini melibatkan perancangan dengan menggunakan komponen optik seperti kamera Complementary Metal Oxide Semiconductor (CMOS), Digital Versatile Disk (DVD) dan sumber cahaya LED putih. Melalui prototipe yang dikembangkan tersebut, dilakukan akuisisi data spektral dengan pengukuran absorbansi pada larutan teh hijau, teh oolong, dan teh hitam. Percobaan akuisisi data melibatkan 20 sampel larutan dari masing - masing ketiga jenis teh dengan 3 variasi persentase massa. Dalam proses analisis data jenis teh, Principal Component Analysis (PCA) diterapkan pada data absorbansi yang diperoleh serta klasifikasi menggunakan Convolutional Neural Network (1D-CNN) dan Support Vector Machine (SVM). Hasil yang diperoleh pada penelitian ini berupa perangkat spektrofotometer dengan dimensi 260 x 120 x 66 mm yang mampu melakukan pengukuran spektrum cahaya pada rentang cahaya tampak dengan resolusi 0.359 nm/piksel. Sementara itu hasil percobaan klasifikasi menunjukkan akurasi klasifikasi terhadap ketiga jenis teh menggunakan 1D-CNN dan SVM mencapai 100%. Sehingga, penelitian ini berhasil mengembangkan perangkat spektrofotometer yang terjangkau dan portabel untuk mengklasifikasikan jenis teh dengan akurasi tinggi menggunakan machine learning. ***** Spectrophotometers have become one of the standard tools in evaluating the quality of food and beverage products. However, the constraints of portability and high cost often limit its application, especially in industry or small-scale laboratories. This research aims to overcome these problems by designing a compact and economical spectrophotometer based on Raspberry Pi. The developed prototype was then applied to classify various types of tea, including green tea, oolong tea, and black tea. The development of this device involved designing using optical components such as a Complementary Metal Oxide Semiconductor (CMOS) camera, Digital Versatile Disk (DVD) and a white LED light source. Through the developed prototype, spectral data acquisition was carried out with absorbance measurements on green tea, oolong tea and black tea solutions. The data acquisition experiment involved 20 samples of solution from each of the three types of tea with 3 variations in mass percentage. In the process of analyzing tea type data, Principal Component Analysis (PCA) was applied to the obtained absorbance data and classification using Convolutional Neural Network (1D-CNN) and Support Vector Machine (SVM). The results obtained in this study are in the form of a spectrophotometer device with dimensions of 260 x 120 x 66 mm that can measure the light spectrum in the visible light range with a resolution of 0.359 nm/pixel. On the other hand, the classification experiment results showed that the classification accuracy of the three types of tea using 1D-CNN and SVM reached 100%. Thus, this research successfully developed an affordable and portable spectrophotometer device to classify tea types with high accuracy using machine learning.

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 24739 not found.
Date Deposited:	20 Aug 2024 00:44
Last Modified:	20 Aug 2024 00:44
URI:	http://repository.unj.ac.id/id/eprint/50174

Actions (login required)

View Item