BAB IV HASIL DAN PEMBAHASAN

Transkripsi

1 60 BAB IV HASIL DAN PEMBAHASAN 41 Hasil Eksperimen E-nose terdiri dari 4 buah sensor gas dimana masing-masing dari sensor tersebut memiliki kepekaan yang berbeda pada saat pendeteksian aroma Jenis teh yang diuji dalam penelitian ini merupakan jenis teh hitam yang diperoleh dari Pusat Teh dan Kia (PPTK) Pengujian aroma teh dengan menggunakan E-nose yang dilengkapi dengan 4 sensor kimia, akan memperoleh data perubahan voltase dari masing-masing jenis teh hitam tersebut Grafik perubahan voltase pada masing-masing sensor dapat dilihat pada gambar 41 Perubahan voltase terbesar ada pada sensor TGS822, dimana sensor TGS822 memiliki kepekaan terhadap gugus alkohol Walaupun setiap sensor didesign hanya sensitif terhadap aroma teh tertentu, namun setelah disusun secara kolektif dalam bentuk rangkaian sensor gas, keluaran masing-masing sensor akan memberikan kontribusi dalam membentuk pola unik pada setiap jenis teh (Triyana, 1997) Menurut Yamanishi (1995) komposisi kimia yang mempengaruhi aroma teh berupa senyawa-seyawa hydrocarbons, alcohols, aldehydes, acids, esters, sulfur dan nitrogenous

2 61 Gambar 41 Grafik perubahan voltase pada sampel teh hitam jenis BP2 Gambar 42 mengabarkan respon sensor teh hitam jenis DT2 pada sensor salah satu sensor, yaitu TGS822 Grafik pada gambar 42 terdapat 5 siklus proses pembacaan aroma teh Dalam 1 siklus pembacaan aroma terjadi 2 proses penghisapan, yaitu 1 proses penghisapan udara bersih dan 1 proses penghisapan aroma teh Perpindahan proses penghisapan udara bersih ke aroma teh terdapat time off selama 5 detik Ketika terjadi penghisapan udara bersih, grafik akan turun dan ketika dilakukan penghisapan aroma teh, grafik akan naik Hal ini terjadi karena ketika muncul aroma, terhadi reaksi terhadap gas sensor berupa perugahan tahanan Besarnya perubahan tahanan pada masing-masing sensor berbeda Dengan adanya perubahan terkanan mengakibatkan perubahan voltasi pada masing-masing sensor Dari kelima siklus tersebut akan membentuk alur garis(grafik)

3 62 Gambar 42 Grafik perubahan voltase sensor TGS822 pada sampel teh hitam jenis DT2 Contoh perubahan voltase pada ketiga jenis teh dapat dilihat pada gambar 43 Secara umum dapat dilihat untuk teh jenis BP2 memiliki nilai voltase yang lebih besar dibandingkan dengan jenis lainnya Semakin besar voltase yang ditunjukan, maka akan semakin besar pula kandungan komponen-komponen aroma teh Perbedaan hasil yang didapat dari ketiga jenis teh tersebut dikarenakan mutu dari teh hitam tersebut Mutu teh hitam hasil pengolahan terutama ditentukan oleh bahan bakunya yaitu daun segar hasil petikan (Arifin, 1994)

4 63 Gambar 43 Grafik perubahan voltase sensor TGS822 pada tiga jenis teh (BP2, BT2 dan DT2) 411 Ekstrasi Ciri Menurut Suranjan Panigrahi (2006) DWT ortogonal genap menunjukan hasil yang lebih baik dalam denoising dan kompresi dibandingkan dengan DWT orthogonal ganjil Tinjauan tersebut menunjukan DB4, DB8 dan DB20 pada level 3 dan 6 sebagai wavelet yang umum untuk denoising dan kompresi dari noise sinyal Keriteria pemilihan level dokomposisi yang optimal adalah perbedaan antara siyal denoised dan asli DWT memungkin dapat menjadi yang terbaik untuk transformasi denoising dan kompresi, karena mencari resolusi terbaikbaik dari data dengan meningkatkan tingkat dekomposisi DB8 wavelet digunakan untuk aplikasi ini Pilihan tingkat dekomposisi tergantung pada jenis dari sinyal bising Level dekomposisi digunakan oleh peneliti berbeda dalam setiap aplikasi, namun, level 3 seperti yang disarankan oleh Pasti dkk (1999) dan tren optimal yang serupa ditemukan oleh Roy dkk (1998) dan Jiang (2006)

5 64 Analisis wavelet dilakukan dengan menggunakan toolbox sinyal wavelet dari perangkat lunak MATLAB Sinyal E-nose seperti dapat dilihat pada gambar 44 diuji untuk denoising dan kompresi menggunakan Daubechies DB4 dan tranformasi di level 3 dari dekomposisi Setelah dilakukan dekomposisi level 3, komponen sinyal asli terpadu dalam perkiraan (a3) dan noise terkonsentrasi dalam grafik (d1, d2, d3) dengan informasi tentang sinyal Gambar 44 : Dekomposisi dari sinyal E-nose (sensor TGS880 pada teh BP2)level 3 dengan mengunakan Daubechies DB8 wavelet transform Transformasi dengan menggunakan wavelet bertujuan untuk mendapatkan fitur atau ciri dari masing-masing tehgambar 45 dan Gambar 46 Merupakan hasil transformasi wavelet yang menggambarkan ciri dari jenis the BP2

6 65 (a) (b) (c) (d) Gambar45 Grafik koefisien perkiraan sampel teh hitam BP2 dengan dekomposisi DB 4 Level 6 (a) Sensor TGS880, (b) Sensor TGS826, (c) Sensor TGS822 dan (d) Sensor TGS825

7 66 (a) (b) (c) (d) Gambar46 Grafik koefisien perkiraan sampel teh hitam BP2 dengan dekomposisi DB 4 Level 6 (a) Sensor TGS880, (b) Sensor TGS826, (c) Sensor TGS822 dan (d) Sensor TGS825 Kompresi dari dekompresi sinyal E-nose dengan kesalahan 1,75e -11 memungkinkan dengan hanya 13,12% total wavelet koefisien Hasil analisis menunjukkan bahwa untuk db8 menggunakan dekomposisi level 3, menghasilkan error 4,22e -11 dengan 13,53% koefisien wavelet Dengan menggunakan DB20 menghasilkan error 2,43e -10 dengan 14,76 % koefisien wavelet Selanjutnya, untuk fungsi wavelet yang sama (DB4, DB8 dan Db20), tingkat dekomposisi diubah dari 3 menjadi 6 Untuk level dekomposisi 6, sinyal rekonstruksi adalah mungkin dengan hanya 2,00%, 2,41% dan 3,82% dari jumlah total koefisien wavelet

8 67 Tabel 41 Persentase Error dan wavelet koefisien perkiraan transformasi wavelet dari data e-nose Teh BP2 BT2 DT2 Wavelete db4 db8 db20 db4 db8 db20 db4 db8 db20 Level TGS880 TGS826 TGS822 TGS825 wavelet wavelet wavelet wavelet error koefisien (%) error koefisien (%) error koefisien (%) error koefisien (%) 3 1,75E 11 13,12 9,83E 11 13,12 2,56E 10 13,12 1,70E 10 13,12 6 3,21E 11 2,00 3,53E 10 2,00 6,42E 10 2,00 4,17E 10 2,00 3 4,22E 11 13,53 2,31E 10 13,53 6,26E 10 13,53 4,10E 10 13,53 6 8,40E 11 2,41 9,26E 10 2,41 1,62E 09 2,41 1,06E 09 2,41 3 2,43E 11 14,76 1,52E 10 14,76 3,78E 10 14,76 2,37E 10 14,76 6 6,61E 11 3,82 8,00E 10 3,82 1,24E 09 3,82 8,13E 10 3,82 3 1,31E 12 13,12 4,08E 11 13,12 3,22E 11 13,12 1,67E 11 13,12 6 1,85E 11 2,00 2,91E 10 2,00 4,34E 10 2,00 2,39E 10 2,00 3 4,01E 12 13,53 1,19E 10 13,53 1,06E 10 13,53 5,54E 11 13,53 6 4,93E 11 2,41 7,52E 10 2,41 1,11E 09 2,41 6,32E 10 2,41 3 4,92E 12 14,76 1,31E 10 14,76 1,27E 10 14,76 6,51E 11 14,76 6 4,12E 11 3,82 6,12E 10 3,82 9,25E 10 3,82 5,24E 10 3,82 3 1,93E 12 13,12 4,97E 11 13,12 6,70E 11 13,12 3,64E 11 13,12 6 2,24E 11 2,00 3,69E 10 2,00 6,00E 10 2,00 3,55E 10 2,00 3 6,37E 12 13,53 1,46E 10 13,53 2,11E 10 13,53 1,18E 10 13,53 6 5,80E 11 2,41 9,79E 10 2,41 1,50E 09 2,41 9,01E 10 2,41 3 7,80E 12 14,76 1,26E 10 14,76 2,55E 10 14,76 1,43E 10 14,76 6 4,49E 11 3,82 8,49E 10 3,82 1,12E 09 3,82 7,26E 10 3,82 Tabel 41 memperlihatkan hasil transformasi wavelet menggunakan menggunakan Daubechie(DB4, DB8 dan DB20) dengan menggunakan dekomposisi di level 3 dan 6 Untuk fungsi wavelet yang sama (DB4, DB8 dan DB20), tingkat dekomposisi diubah dari 3 sampai 6 Dengan fungsi wavelet yang sama, semakin tinggi level dekomposisi maka koefisien wavelet akan semakin kecil Gambar 47a menunjukan sinyal asli yang diperoleh dari sensor TGS880 pada jenis teh BP2 Sedangkan gambar 47b menunjukan perbandingan antara sinyal asli dan sinyal rekonstruksi Dimana dekomposisi wavelet membersihkan dari noise, sehingga sinyal rekonstruksi tidak terdapat noise lagi

9 68 (a) (b) Gambar 47 : Rekonstruksi sinyal menggunakan Db8 (dekomposisi level 6) (a) Sinyal asli, (b) Rekonstruksi Setelah sinyal di dekomposisi menggunakan wavelet, maka akan terbentuk perubahan data seperti pada gambar 48 Dari gambar tersebut dapat dilihat adanya perubahan baris data t(k) menjadi T(m) Nilai k lebih kecil dari m, karena dekomposisi wavelet melakkuan kompresi dari data Sehingga nilai-nilai pada

10 69 setiap sensor juga berubah Dekomposisi wavelet tidak mengurangi jumlah kolom yang mepresentasikan jumalah sensor Sensor 1 Sensor 2 Sensor n t k (0) x 0,1 x 0,2 x 0,n t k (1) x 1,1 x 1,2 x 1,n t k (k) x k,1 x k,2 x k,n W f Sensor 1 Sensor 2 Sensor n T(0) X 0,1 X 0,2 X 0,n T(1) X 1,1 X 1,2 X 1,n T(m) X m,1 X m,2 X m,n Gambar 48 Perubahan data sinyal Analisis Komponen Utama banyak dalama penelitian ini digunakan untuk memproyeksikan atau mengubah kolom data berukuran 4 menjadi bentuk sajian data dengan ukuran 2 Transformasi PCA terhadap sebuah ruang data yang besar akan menghasilkan sejumlah vektor basis ortonormal dalam bentuk kumpulan

11 70 vektor eigen dari suatu matriks kovarian tertentu yang dapat secara optimal menyajikan distribusi data Sasaran dari PCA adalah menangkap variasi total dari citra yang ada di dalam basis data yang dilatihkan Untuk kemudian mereduksinya sehingga menjadi variabel-variabel yang lebih sedikit Dengan reduksi ini maka waktu komputasi dapat dikurangi dan kompleksititas dari ciri yang tidak perlu dapat dihilangkan Gambar 49 memperlihatkan kumpulan data yang sudah di transformasi dengan PCA Jumalah 4 sensor menggambarkan 4 dimensi data, kemudian di transformasi menjadi dimensi 2 dimensi yaitu PC1 dan PC2 Hasilnya memperlihatkan bahwa Principle Component atau Komponen Utama ke-1 dan ke- 2 (PC1 dan PC2) mampu menyerap 9754% dan 1,88% keragaman data, sedamgkan PC3 dan PC4 masing-masing 056%, 002% Principal Components Analysis BP2 BT2 DT2 PC PC1 a Gambar 49 PCA pada semua data teh (BP2, BT2, DT2)

12 Klasifikasi Pola 4121 Support Vector Machine Klasifikasi pola pada penelitian ini menggunakan SupportVectorMachine(SVM) SVM merupakansalahsatu tekniksupervised learningdimana pembelajarandilakukan dengan menggunakan data-data yang sudahjelaskelasnyas V M mampu melakukan klasifikasi dengan baik Hal ini disebabkan karena pencarian solusi optimal yang dilakukan oleh SVM bertujuan untuk mencari solusi optimal berdasarkan data yang dimiliki sekarang ini, dan bukan bertujuan mencari solusi yang optimal untuk data yang tidak terbatas Pada dasarnya,svmdirancanghanyauntukmasalahklasifikasibiner, dimana data yang terdapat di dalam suatu model SVM hanya mungkin terklasifikasi ke dalam dua kelas saja Walaupun demikian dilakukan sebuah pendekatan agar dapat dilakukan pemecahan untuk dapat mengklasifikasi lebih dari 2 kelas Pada penelitian ini dilakukan SVM mutti kelas dengan menggunakan one-against-all, dimana setiap data yang terdapat di dalamsalahsatukelassvmakandibandingkandengangabungandaridatadatayangbukanmerupakananggotakelastersebut Gambar 410 menunjukan sampel yang akan diuji dengan SVM Data 1 mengambarkan data dari BP2 dan 0 merupakan data selain data BP2 (data BT2 dan DT2) Gambar 411 merupakan hasil dari pembelajaran menggunakan SVM multi kelas dengan karnel Gausian Hasil yang didapat dari pembelajaran tersebut menghasilkan performa klasifikasi sebesar 94,14%

13 72 Gambar 410Training data BP2 Gambar 411Testing data BP2 Gambar 412 menunjukan sampel yang akan diuji dengan SVM Data 1 mengambarkan data dari BT2 dan 0 merupakan data selain data BT2 (data BP2 dan DT2) Gambar 413 merupakan hasil dari pembelajaran

14 73 menggunakan SVM multi kelas dengan karnel Gausian Hasil yang didapat dari pembelajaran tersebut menghasilkan performa klasifikasi sebesar 87,09% Gambar 412Training data BT2 Gambar 413Testing data BT2

15 74 Gambar 414 menunjukan sampel yang akan diuji dengan SVM Data 1 mengambarkan data dari DT2 dan 0 merupakan data selain data DT2 (data BP2 dan DT2) Gambar 415 merupakan hasil dari pembelajaran menggunakan SVM multi kelas dengan karnel Gausian Hasil yang didapat dari pembelajaran tersebut menghasilkan performa klasifikasi sebesar 80,95% Gambar 414Training data DT2

16 75 Gambar 415Testing data DT2 Tabel 42 merupakan parameter-parameter yang didapat dari hasil training menggunakan Support Vector Machine (SVM) adalah fungsi kernel, bias, shift dan scale Kemudian parameter-parameter SVM tersebut akan digunakan dalam proses pengujianteh hitam Tabel 42Parameter-parameter SVM pada teh hitam wavelet Teh Fungsi Kernel Bias Shfit scale BP2 Radial Basis 0,04 33,07 1,97 4,98E 04 3,69E 03 DB4 BT2 Radial Basis 0,56 9,26 0,24 5,08E 04 3,60E 03 DT2 Radial Basis 0,71 17,94 0,12 4,99E 04 3,66E 03 BP2 Radial Basis 0,00 21,61 6,22 5,10E 04 3,61E 03 DB8 BT2 Radial Basis 0,56 17,60 10,17 5,03E 04 3,64E 03 DT2 Radial Basis 0,70 43,86 2,94 5,15E 04 3,71E 03 BP2 Radial Basis 0,05 60,99 0,89 5,23E 04 3,46E 03 DB20 BT2 Radial Basis 0,56 6,47 2,34 5,17E 04 3,51E 03 DT2 Radial Basis 0,74 1,93 9,93 5,27E 04 3,45E 03

17 76 Hasil rata-rata klasifikasi data teh hitam ditampilkan pada table 43, dan hasil untuk masing-masing pada lampiran Tabel L1 Untuk semua nilai performa klasifikasi diperoleh dari ekstraksi fitur menggunakan DWT DB4, DB8 dan DB20 pada tingkat dekomposisi 6 Tabel 43 Performa rata-rata klasifikasi menggunakan SVM Teh wavelet BP2 BT2 DT2 db4 94,14% 87,09% 80,95% db8 95,98% 87,45% 82,02% db20 96,82% 96,94% 86,71% 4122 Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan (JST) dapat mengenali pola aroma teh dengan menggunakan parameter-parameter masukan sebagai berikut : Iterasi maksimum = 1000 Batas toleransi error = 10-4 Jumlah pelatihan = 3 data masukan Training data = 60% Testing data = 40%

18 77 Jumlah hidden Neuron = 10 Form tampilan JST ditampilkan pada gambar 412 Gambar 414Form tampilan JSTRadial Basis Function Hasil klasifikasi data teh hitam dengan menggunakan JSTRadial Basis Functionditampilkan pada table 44 Untuk semua nilai performa klasifikasi diperoleh dari ekstraksi fitur menggunakan DWT db4, db8 dan db20 pada tingkat dekomposisi 6

19 78 Tabel 44 Performa klasifikasi Menggunakan JST Wavelet Hidden Neuron Klasifikasi (%) db ,52% db ,37% db ,00% 42 Pembahasan Berdasarkan hasil eksperimen penentuan level dekomposisi wavelet yang terbaik adalah 6 Karena error yang dihasilkan masih relatif kecil dengan koefisien wavelet hanya 2,00% Berdasarkan hasil pengurangan dimensi dengan menggunakan Principal Component Analysis (PCA), Komponen PC1 memiliki keragaman 9754%, PC2 1,88% Total persentase keragaman PC1 dan PC2 cukup besar bisa dinilai cukup untuk menangkap struktur data, sehingga pengurangan dimensi dapat dilakukan menjadi dua dimensi yaitu PC1 dan PC2 Pada pengenalan pola pada masing-masing wavelet Daubechies, DB20 memiliki performa yang lebih baiksedangkan performa yang paling rendah ada pada Daubechies DB4 Pengenalan pola menggunakan Support Vector Machine yang dilakukan dalam penelitian, jenis teh BP2 adalah yang paling bisa dikenal dengan baik Nilai akurasi pada teh BP2 sebesar 96,82% pada Daubechies DB20 dengan level dekomposisi 6

20 79 Dari hasil perbandingan Support Vector Machine(SVM) dengan Jaringan Syaraf Tiruan Radial Basis Function(JST-RBF), SVM dapat mengenali pola lebih baik dari JST-RBF Akurasi tertinggi SMV pada pengenalan pola sedangkan JST-RBF sebesar 80,52%