Record Details

Klasifikasi Minyak Nabati Menggunakan Sensor Warna dan Sensor Cahaya dengan Metode K Nearest Neighbor (KNN) berbasis Arduino

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

View Archive Info
 
 
Field Value
 
ISSN 2548-964X
 
Authentication Code dc
 
Title Statement Klasifikasi Minyak Nabati Menggunakan Sensor Warna dan Sensor Cahaya dengan Metode K Nearest Neighbor (KNN) berbasis Arduino
 
Added Entry - Uncontrolled Name Isbindra, Nur Aini Afifah
Fitriyah, Hurriyatul
Syauqy, Dahnial
Fakultas Ilmu Komputer, Universitas Brawijaya
Fakultas Ilmu Komputer, Universitas Brawijaya
Fakultas Ilmu Komputer, Universitas Brawijaya
 
Summary, etc. Minyak nabati merupakan produk perasan dari tumbuh-tumbuhan dan sering kali digunakan sebagai bahan utama dalam mengolah panganan. Masing-masing tumbuhan yang digunakan sebagai sumber diperahnya minyak ini menghasilkan minyak nabati yang berbeda dalam hal kandungan gizi. Minyak yang memiliki manfaat kesehatan yang tinggi untuk tubuh biasanya dijual dengan harga yang tinggi pula di pasaran. Kemiripan karakteristik minyak dari segi fisiknya membuat sebagian produsen dengan sengaja menjual minyak nabati yang tidak sesuai dengan sumber tumbuhan aslinya. Untuk meminimalisir kejadian tersebut, pada penelitian ini dibuat sebuah sistem untuk membedakan minyak nabati berdasarkan tumbuhannya secara langsung dan cepat. Parameter RGB serta kekeruhan digunakan sebagai fitur dalam klasifikasi. Data RGB diakusisi oleh sensor warna TCS34725, sedangkan data kekeruhan akan didapatkan oleh sensor cahaya LDR. Metode pengklasifikasiannya sendiri menggunakan algoritma K-NN(K-Nearest Neighbour). Metode K-NN menggunakan data latih sebagai training sistem klasifikasi untuk dihitung jaraknya dengan data uji yang merupakan data baru yang dimasukkan ke dalam sistem. Kemudian hasil perhitungan jarak akan diurutkan dari yang terdekat dan hasilnya akan ditentukan berdasarkan kelas terbanyak yang terpilih dalam voting sebanyak K. Berdasarkan uji akurasi terhadap metode klasifikasi, didapatkan keakurasian sebesar 87,5% untuk K=3 dan K=5. Lalu kecepatan rata-rata komputasi dari pengklasifikasiannya adalah 103,6 ms.
 
Publication, Distribution, Etc. Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya
 
Electronic Location and Access application/pdf
http://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/10859
 
Data Source Entry Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer; Vol 6 No 4 (2022): April 2022
 
Language Note ind
 
Terms Governing Use and Reproduction Note Hak Cipta (c) 2022 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
 


www.freevisitorcounters.com