| NIM | A1C017056 |
|---|
| Namamhs | WAHYU SETIANING BUDI |
|---|
| Judul Artikel | IDENTIFIKASI MINYAK VIRGIN COCONUT OIL (VCO) TERCAMPUR MINYAK KEDELAI MENGGUNAKAN DERET SENSOR GAS METAL OXIDE SEMICONDUCTOR (MOS) |
|---|
| Abstrak (Bhs. Indonesia) | Salah satu alat yang dapat digunakan untuk menganalisis kualitas minyak VCO yang tercampur minyak kedelai yaitu Electronic Nose atau alat yang dapat mendeteksi berbagai karakteristik aroma berbasis sensor gas. Alat ukur aroma berbasis sensor gas ini menggunakan sensor gas berjenis Metal Oxide Semiconductor (MOS) untuk mendeteksi adanya gas atau aroma minyak VCO. Jenis sensor gas Metal Oxide Semiconductor (MOS) yang digunakan terdiri dari 9 deret sensor gas MOS yaitu TGS-2600, TGS-2602, TGS-2620, MQ-3, MQ-135, MQ-137, F-AQ1, F-SB30, dan FIS-12A. Penelitian ini bertujuan untuk (1) mengetahui respon individu sensor dalam mengidentifikasi konsentrasi campuran minyak kedelai pada Virgin Coconut Oil (VCO), (2) mengetahui tingkat keberhasilan sensor dalam mengidentifikasi konsentrasi campuran minyak kedelai pada Virgin Coconut Oil (VCO) dengan metode Artificial Neural Network (ANN). Perlakuan penelitian ini terdiri dari perbedaan frekuensi yang diberikan yaitu frekuensi 0 Hz, 0,25 Hz, 1 Hz dengan konsentrasi campuran minyak kedelai 5%, 10%, 15% dan 20% basis volume. Sampel yang diujikan yaitu sampel dengan menggunakan pemanas dan tanpa pemanas. Pengambilan data dilakukan sebanyak 10 kali pengulangan. Hasil penelitian menunjukkan sensor series TGS dan series MQ memberikan respon sensitifitas paling tinggi. Metode Artificial Neural Network menunjukkan hasil terbaik untuk mengklasifikasi minyak VCO pada perlakuan menggunakan pemanas dengan jumlah 3 target menggunakan 14 neuron hidden layer pada frekuensi 0 Hz sebesar 95 % (97.6% data training, 91.7% data testing dan 83.3% data validation). Sementara pada jumlah 6 target menggunakan pemanas hasil terbaik pada frekuensi 0 Hz dengan 24 neuron hidden layer sebesar 80% (85.7% data training, 75% data testing dan 50% data validation). |
|---|
| Abtrak (Bhs. Inggris) | One of the tools that can be used to analyze the quality of VCO oil mixed with soybean oil is the Electronic Nose, a tool that can detect various aroma characteristics based on gas sensors. This gas sensor-based aroma meter uses a gas sensor type Metal Oxide Semiconductor (MOS) to detect the presence of gas or the smell of VCO oil. The type of Metal Oxide Semiconductor (MOS) gas sensor used consists of 9 rows of MOS gas sensors, namely TGS-2600, TGS-2602, TGS-2620, MQ-3, MQ-135, MQ-137, F-AQ1, F-SB30, and FIS-12A. This study aims to (1) determine the response of individual sensors to identifying the concentration of a mixture of soybean oil in Virgin Coconut Oil (VCO), (2) determine the success rate of sensors in identifying the concentration of a mixture of soybean oil in Virgin Coconut Oil (VCO) with the Artificial Neural Network method (ANN). The treatment of this research consisted of the different frequencies given, namely the frequency of 0 Hz, 0.25 Hz, and 1 Hz with a mixture concentration of soybean oil of 5%, 10%, 15%, and 20% on a volume basis. The samples tested were samples with and without heating. Data collection was carried out 10 times with repetition. The results showed that the TGS series and MQ series sensors gave the highest sensitivity responses. The Artificial Neural Network method showed the best results for classifying VCO oil in heating treatment with 3 targets using 14 hidden layer neurons at a frequency of 0 Hz, with 95 % (97.6% of training data, 91.7% of test data and 83.3% validation data). While the treatment with 6 targets using a heater gave the best results at a frequency of 0 Hz with 24 hidden layer neurons with 80% (85.7% training data, 75% test data and 50% validation data). |
|---|
| Kata kunci | minyak VCO, electronic Nose, sensor gas MOS, ANN |
|---|
| Pembimbing 1 | Arief Sudarmaji, S.T., M.T., Ph.D. |
|---|
| Pembimbing 2 | Susanto Budi Sulistyo, S.TP., M.Si., Ph.D. |
|---|
| Pembimbing 3 | |
|---|
| Tahun | 2022 |
|---|
| Jumlah Halaman | 16 |
|---|
| Tgl. Entri | 2022-06-21 08:01:18.544393 |
|---|