This Author published in this journals
All Journal J-Eltrik
Haryanto, Haryanto
Program Studi Teknik Elektro, Fakultas Teknik, Universitas Trunojoyo, Jalan Raya Telang Bangkalan, Jawa Timur, Indonesia 69162

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

Desain Sistem Pengenalan Dan Klasifikasi Kopi Bubuk Bermerek Dengan Menggunakan Electronic Nose Berbasis Artifical Neural Network (ANN) Ulfa, Maria; Haryanto, Haryanto; Wibisono, Kunto Aji
J-Eltrik Vol 1, No 2 (2019): Jurnal Eltrik Vol 1, No. 2, November 2019
Publisher : Universitas Hang Tuah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30649/j-eltrik.v1i2.15

Abstract

Kopi merupakan salah satu hasil perkebunan yang ada di Indonesia yang memiliki nilai jual yang sangat tinggi. Secara umum jenis kopi yang terdapat di Indonesia adalah kopi robusta dan arabica, selain itu juga terdapat kopi liberica, dan hibrida. Dengan adanya perkembangan teknologi pada saat ini memungkinkan untuk membangun suatu sistem yang dapat bekerja menyerupai indera penciuman manusia. Salah satunya yaitu sensor electronic nose. Perancangan sistem klasifikasi dan pengenalan kualitas kopi bubuk ini menggunakan metode berbasis ANN atau lebih dikenal dengan metode jaringan syaraf tiruan, yang diharapkan mampu meningkatkan akurasi dalam mengelompokkan jenis kopi berdasarakan aroma kopi. Tujuan yang ingin dicapai pada penelitian ini adalah dapat mempermudah untuk mengenali dan mengklasifikasikan kopi bubuk dengan menggunakan e-nose, tidak lagi bergantung pada indera penciuman manusia yang biasanya tidak stabil serta tidak bisa secara kontinu menghasilkan ukuran yang tetap. Arsitektur yang dibangun menggunakan 3 buah layer dengan 3 input berupa hasil pembacaan gas elektronik nose. Sedangkan output target merupakan kombinasi dari biner angka 0 dan 1. Jaringan syaraf tiruan yang dipakai dalam penelitian ini mampu mengenali nilai kopi arabika, robusta dan liberika dengan dengan menggunakan iterasi maksimal sebesar 5000, hasil output menunjukan bahwa JST backpropagation mampu mengenali jenis kopi dengan tingkat keberhasilan 73.3%.