Seleksi Fitur dengan Artificial Bee Colony untuk Optimasi Klasifikasi Data Teh menggunakan Support Vector Machine
Teh dapat dikenal kualitasnya melalui aroma yang dihasilkan. Penelitian klasifikasi teh menggunakan e-nose umumnya hanya mendeteksi kualitas aroma menggunakan general sensor gas. Namun, adanya redundansi fitur sensor dapat menyebabkan penurunan performa sistem e-nose. Oleh karena itu diperlukan sebu...
Saved in:
| Main Author: | |
|---|---|
| Format: | EJournal Article |
| Published: |
IndoCEISS in colaboration with Universitas Gadjah Mada, Indonesia.,
2022-04-30.
|
| Subjects: | |
| Online Access: | Get Fulltext |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | Teh dapat dikenal kualitasnya melalui aroma yang dihasilkan. Penelitian klasifikasi teh menggunakan e-nose umumnya hanya mendeteksi kualitas aroma menggunakan general sensor gas. Namun, adanya redundansi fitur sensor dapat menyebabkan penurunan performa sistem e-nose. Oleh karena itu diperlukan sebuah sistem yang dapat menyeleksi fitur sehingga performa klasifikasi menjadi lebih optimal. Pada penelitian ini dibentuk sistem perangkat lunak yang mampu menyeleksi fitur untuk mengoptimalkan performa klasifikasi. Data input untuk sistem adalah respon sensor e-nose terhadap 3 kualitas teh hitam dengan jumlah sampel 300. Fitur yang diseleksi berupa sensor-sensor pada instrumen e-nose. Proses seleksi fitur dilakukan dengan pendekatan wrapper, algoritma ABC digunakan untuk seleksi fitur, kemudian hasil fitur yang terpilih dievalusi dengan klasifikasi menggunakan SVM. Hasil sistem ABC-SVM kemudian dibandingkan dengan sistem SVM tanpa seleksi fitur. Hasil penelitian menunjukkan bahwa dari 12 sensor e-nose, sensor yang paling mencirikan teh hitam kualitas 1-3 yaitu sensor TGS 2600, TGS 813, TGS 825, TGS 2602, TGS 2611, TGS 832, TGS 2612, TGS 2620 dan TGS 822. Sedangkan untuk sensor MQ-7, TGS 826 dan TGS 2610 merupakan sensor yang redundant pada sistem dikarenakan gas yang dideteksi oleh 3 sensor tersebut dapat diwakili oleh sensor lainnya. Dengan berkurangnya fitur menjadi 9, performa akurasi klasifikasi meningkat 16,7%. |
|---|---|
| Item Description: | https://jurnal.ugm.ac.id/ijeis/article/view/63902 |