Identifikasi kandungan minyak goreng menggunakan jaringan saraf tiruan dengan metode backpropagation

INDONESIA:

Minyak goreng merupakan kebutuhan pokok manusia. Pencampuran lemak babi pada minyak goreng sering dilakukan untuk menambah cita rasa dan menekan biaya produksi. Pencampuran tersebut mengakibatkan kehawatiran bagi umat islam, karena babi termasuk salah satu hewan yang haram untuk dikonsumsi. Oleh karena itu, dibutuhkan sebuah metode yang mampu mengidentifikasi jenis kandungan minyak goreng. Salah satu metode yang dapat digunakan adalah kecerdasan buatan berupa jaringan saraf tiruan (JST) dengan metode backpropagation. Tujuan dari penelitian ini yaitu untuk mengetahui arsitektur JST yang optimal dalam pengidentifikasian kandungan minyak goreng serta membangun sebuah tampilan GUI pada Software Matlab. Data yang digunakan adalah data yang diperoleh dari hidung elektronik. Sampel minyak goreng yang digunakan terdiri dari 5 jenis yaitu minyak zaitun, minyak babi, minyak filma, campuran minyak babi zaitun dan campuran minyak babi filma. Arsitektur optimal yang diperoleh dari penelitian ini yaitu 10 input layer, 18 hidden layer pertama, 4 hidden layer kedua, dan 1 output layer. Semua layer tersebut menggunakan fungsi aktivasi sigmoid biner. Berdasarkan hasil pengujian, JST backpropagation mampu melakukan pengidentifikasian dengan tingkat keberhasilan 100%.

ENGLISH:

Cooking oil is daily human basic necessities. Mixing lard in cooking oil is often done to add flavor and reduce production costs. Mixing is causing self-concern for Muslims, because pigs are one of the unclean animals for consumption. Therefore, we ought to need a method that is able to identify the type of cooking oil content. One method that can be used is artificial intelligence in the form of artificial neural networks (ANN) with the backpropagation method. The purpose of this study is to determine the optimal ANN architecture in identifying cooking oil content and to build a GUI display on matlab software. The data used is obtained from the sensor research team taken using an electronic nose. The cooking oil samples used consisted of 5 types namely olive oil, pork oil, filma oil, a mixture of olive pork oil and filma pork oil. The optimal architecture obtained from this research is 10 input layers, 18 first hidden layers, 4 second hidden layers, and 1 output layer. All of these layers use the binary sigmoid activation function. Based on the test results, backpropagation ANN is able to identify with a 100% success rate.