Nama : Muhammad AtoUrrohman

Nim

: 11640005

Identification of monofloral honey using voltammetric electronic

tongue
Kamalika Tiwari a, Bipan Tudu b,, Rajib Bandyopadhyay b, Anutosh Chatterjee

1.Latar Belakang

Madu adalah zat manis alami dan diproduksi oleh lebah madu dari nektar
bunga, serta dari melon (Codex Alimentarius, 1981). identifikasi serbuk sari adalah
alat penting dalam analisis madu dan informasi tentang asal-usul bunga memiliki
nilai komersial penting karena madu dari tanaman tertentu perintah harga pasar
yang tinggi. identifikasi serbuk sari dan kuantifikasi membantu untuk menentukan
jenis nektar dan untuk mengidentifikasi asal geografis madu. Akhir-akhir ini, pasar
madu internasional semakin ketat terhadap kualitas dan karenanya madu produsen
perlu menunjukkan asal botani madu. Komposisi serbuk sari madu mengungkapkan
vegetasi,

iklim

dan

lokasi

geografis

bersama

dengan

flora wilayah tertentu. Jadi komersialisasi madu benar-benar tergantung pada

warna, rasa dan tekstur yang tergantung pada jenis serbuk sari tertentu. Secara
tradisional, teknik melossopalynology telah digunakan untuk penentuan bunga asal.
Teknik ini didasarkan pada identifikasi serbuk sari oleh pemeriksaan mikroskopis.
Namun, ada beberapa kelemahan dari teknik (Anklam, 1998). Jumlah serbuk sari
dapat bervariasi dari musim ke musim dan beberapa serbuk sari dapat dikumpulkan
dari tanaman yang tidak sumber madu. Juga, lebah dapat mengambil serbuk sari
tanpa

mengumpulkan

nektar

dan

menggunakan

pemeriksaan

mikroskopis,

variabilitas tidak dapat diperkirakan. Lain keterbatasan utama metode ini adalah
tambahan penipuan serbuk sari untuk keaslian. Beberapa laporan menyajikan
karakterisasi madu dengan kimia dan karakteristik sensorik (Anklam, 1998;.
Anupama et al, 2003;. Corbella et al, 2005). Berbagai metode instrumen lain seperti
kromatografi cair kinerja tinggi (HPLC), kromatografi gas massal spektrometri (GC-

MS),

ion-kromatografi

(IC)

dan

spektroskopi

inframerah

pertengahan.

telah

digunakan untuk menentukan asal botani dan untuk memverifikasi keaslian sampel
madu. Semua metode analisis yang memakan waktu, melibatkan persiapan sampel
yang kompleks dan memerlukan orang yang ahli. Untuk alasan ini, banyak peneliti
telah berusaha untuk mengidentifikasi jenis madu dengan Metode elektrokimia
analisis yaitu lidah elektronik (Wei et al. 2009, 2011; Mayor et al., 2011). Berbagai
pengukuran prinsip-prinsip yang dapat digunakan untuk analisis media yang cair
kompleks potensiometri, konduktometri, spectrophotometery, voltametri, dll Di
antaranya, voltametri memiliki beberapa keunggulan dan dipilih dalam penelitian
kami. studi ekstensif telah dilakukan di lidah elektronik voltametri untuk tujuan
estimasi kualitas teh hitam (Bhattacharyya et al., 2012), proses penuaan jus dan
kesegaran susu (Winquist et al., 1997), roh suling (Tian et al., 2006). teknik
voltametri memerlukan banyak keuntungan seperti sensitivitas tinggi, fleksibilitas,
kesederhanaan, ketahanan dan baik sinyal untuk rasio kebisingan (Winquist, 2008).
Dalam voltametri, potensi diterapkan pada elektroda kerja dan informasi yang
diperoleh dari arus transien sebagai redoks spesies aktif berkurang atau teroksidasi
pada permukaan elektroda. Juga voltametri memiliki banyak teknik seperti siklik,
pengupasan dan voltametri pulsa, bolak voltametri saat ini, dll voltametri
pengukuran memberikan pilihan potensi dan jenis elektroda kerja dan dalam
pekerjaan ini kita telah menggunakan voltametri siklik untuk membedakan madu
sampel berdasarkan jenis bunga mereka. Potensi kerja menggenjot linear terhadap
waktu sehingga mencapai potensi set dan potensi jalan terbalik sehingga
membentuk sinyal segitiga. Madu merupakan senyawa kompleks sehingga terdiri
dari beberapa senyawa aktif redoks dan berbagai ion. Dalam kasus voltametri siklik,
oksidasi dan reduksi puncak hanya diukur dan dari nilai-nilai potensial yang sesuai
dengan puncak tersebut, tertentu Senyawa dapat diidentifikasi dan konsentrasi
dapat diperoleh. Tapi setiap titik pada voltamogram siklik mengandung penting
Informasi analit dan kebaruan metode yang diusulkan adalah bahwa seluruh
voltamogram untuk analisis data telah dianggap bukan hanya puncak redoks (Tiwari
et al., 2012). Platinum digunakan sebagai elektroda kerja di setup tiga elektroda. Itu
titik data yang dihasilkan dari respon saat elektroda dipertimbangkan untuk analisis
menggunakan PCA, LDA dan jaringan saraf. Dua topologi yang berbeda dari jaringan
saraf telah digunakan dan tingkat klasifikasi diperoleh dengan menggunakan back-

propagasi multilayer perceptron (BP-MLP) dan radial basis function (RBF) saraf
jaringan .

2. Tujuan Penelitian

3.Metoologi

2.1.

pengumpulan

sampel

dan

persiapan

Empat jenis bunga yang berbeda madu dari berbagai asal botanivtelah diperoleh
dari peternakan lebah di Bishnupur, Bankura District,

West Bengal, India.

perlebahan mengumpulkan sampel madu dari lokasi geografis yang berbeda dari
Bengal Barat dan di eksperimen kami, berikut empat madu monofloral telah
dipertimbangkan: Eucalyptus (Eucalyptus globulus), Til (wijen indicum), Leechi
(Litchi chinensis), Khalisa (nama Daerah). Eucalyptus, Til dan Khalisa sampel dari
distrik Bankura sedangkan Leechi adalah dari kabupaten Murshidabad. Secara total,
80 sampel dari empat bunga yang berbeda asal (20 sampel dari masing-masing
jenis) telah dipertimbangkan. Semua sampel telah dikumpulkan dalam kemasan
aslinya dan dipindahkan ke laboratorium dan disimpan pada 4-5? C sampai analisis
untuk meminimalkan kemungkinan rekristalisasi. 20 gm. dari masing-masing jenis
madu ditempatkan dalam bak air panas, di mana sampel dikeringkan dengan
meningkatkan suhu perlahan-lahan dari 25? C untuk 70? C dalam 30 menit. Oleh
meningkatkan tegangan untuk mandi air panas. Setelah menghapus kelembaban,
bahan kering dari sampel madu dilarutkan dalam 100 ml air suling. Solusinya

adalah

mekanis

diaduk

selama

0,5 menit dan kemudian didinginkan sampai suhu kamar. Semua tes sampel
dianalisis dalam satu hari untuk meminimalkan lingkungan efek. Elektroda dibilas
dengan air suling setelah setiap membaca (Palit et al., 2010a). Prosedur persiapan
sampel dijelaskan pada Gambar. 1.

2.2. prosedur pengukuran

Dalam voltametri siklik, potensi elektroda kerja bervariasi secara linear

dengan waktu, sedangkan elektroda referensi mempertahankan potensial konstan.
Kami telah menggunakan potensiostat tiga elektroda, dimana elektroda kerja
adalah platinum (Gamry Instrumen Inc) dan elektroda referensi (jenuh KCl, Gamry
Instruments Inc.) dan elektroda counter platinum. Potensi diterapkan antara
elektroda referensi dan elektroda kerja dan arus diukur antara elektroda kerja dan
counter elektroda. Pada penelitian ini, setara dengan tegangan output saat ini
dianggap untuk analisis. Tegangan pulsa diterapkan dengan bantuan potensiostat
(PCI 4, Gamry Instrumen) dan seluruh setup dikendalikan oleh komputer pribadi
(Ivarsson et al., 2001). Lidah elektronik voltametri setup dengan tiga konfigurasi
elektroda ditunjukkan pada Gambar. 2yang 93,42% dan 82,50%, masing-masing.
Oksidasi dan pengurangan puncak sampel madu untuk setiap asal
bunga telah diamati untuk menjadi menonjol. puncak ini adalah karena potensi
redoks gabungan dari konstituen madu. Tingkat scan adalah 0,5 V / s untuk
elektroda. arus yang dihasilkan telah dicatat dan dipertimbangkan untuk analisis
data. Pada Gambar. 3a- c, tegangan input, sehingga saat ini dan sifat voltamogram
sampel madu
Analisis 3.

menggunakan elektroda platina yang ditampilkan, masing-masing.

Data Dalam makalah ini arus keluaran telah dianggap untuk data

analisis. Jumlah titik data yang dihasilkan oleh platina elektroda 1200 untuk masingmasing sampel. Kumpulan data untuk 80 sampel madu dari empat jenis bunga yang
berbeda terdiri dari 80? 1200 titik data. Semua analisis data yang telah dilakukan
dengan menggunakan Matlab versi 7.0 (MathWorks). analisis komponen utama
(PCA) telah digunakan untuk menjelaskan varians dalam data eksperimental.
Analisis lebih lanjut untuk mengevaluasi dan membedakan empat kelas yang

berbeda dari madu dilakukan dengan menggunakan analisis diskriminasi linier

(LDA). BP-MLP dan model RBF digunakan untuk memperoleh tingkat klasifikasi.
Langkah-langkah

dari

analisis

data

disajikan

pada

Gambar.

4a

dan

b.

3.1.Pra-pengolahan data pengukuran

Tanggapan lidah elektronik mengandung sejumlah besar titik data dan berkurang
dalam dimensi tanpa kehilangan banyak informasi sebelum klasifikasi. Pada
penelitian

ini

kami

memilih

untuk

menerapkan clustering dan klasifikasi teknik yang berbeda pada data preprocessed.
Tanggapan saat diperoleh dari elektroda pemrosesan awal dengan beberapa
metode seperti berbagai scale1, berbagai scale2, skala auto, dll, dan dilaporkan
dalam literatur sebelumnya (Palit et al., 2010b). Metode scale2 relatif PCA dan
autoscale metode dalam LDA telah ditemukan untuk menjadi teknik yang paling
sesuai untuk jenis diskriminasi bunga madu. Untuk BP-MLP dan RBF pengklasifikasi
jaringan syaraf, kisaran scale1 dan dasar methodhas pengurangan telah diterapkan
untuk preprocessing, masing-masing. Scaling relatif digunakan untuk mengurangi
pengaruh konsentrasi sampel. scale2 relatif kompres nilai per fitur dengan nilai
maksimum 1 sedangkan autoscale menggunakan mean-pusat dan menetapkan
varians dalam data ke 1. ekspresi matematika untuk scale2 relatif dan untuk
autoscale

diberikan

dalam

pers.

(1)

dan

(2),

masing-masing.

M
ij

M
aku

maxmj

M
ij

Mij?

meanmj

stdmj
Ekspresi

2
matematika

untuk

berbagai

scale1

dan

dasar

pengurangan diberikan di bawah ini di pers. (3) dan (4), masing-masing.

M

ij

Mij?

minmj

maxmj?

minmj

M
ij

Mij?

MI1

di mana M adalah matriks fitur, Mij adalah elemen matriks data, mj berisi respon
dari semua n sampel untuk sensor j.

3.2. analisis komponen utama (PCA) dan linear diskriminasi

analisis (LDA) analisis data multivariat yaitu diawasi dan teknik statistik tanpa
pengawasan dapat digunakan untuk ekstraksi fitur untuk menganalisis diskriminasi
jenis bunga madu. PCA adalah teknik tanpa pengawasan. Hal ini berguna dalam
pengurangan dimensi dari kumpulan data besar. Ini juga digunakan untuk
visualisasi data dan perbedaan kelompok di set theata (Beullens et al., 2007). Ini
memilih informasi yang relevan dari set input data sehingga meremas varians
menjadi beberapa komponen tanpa kehilangan banyak informasi dari data asli. Itu
komponen utama pertama (PC1) peta varians maksimum dan informasi dalam
kumpulan input data diikuti oleh PC2, PC3 dalam urutan varians (Bhondekar et al.,
2010). Kepala sekolah komponen selalu orthogonal satu sama lain yaitu berkorelasi.
Ini menghasilkan sebanyak fungsi linear karena ada fungsi aslinya. Lebih dari 99%
informasi tersedia dari dua prinsip pertama komponen. Linear analisis diskriminan
telah dianggap untuk pertama dua puluh komponen utama karena mengandung
fitur maksimal di dataset yang disebutkan di atas. Juga, jumlah observasi harus
lebih dari jumlah fitur. Ini adalah teknik yang diawasi. LDA mengasumsikan
pengetahuan sebelumnya dari keanggotaan kelompok setiap sampel dan dengan
metode

ini

adalah

mungkin

untuk

menilai

satu

set

struktur

pengamatan

eksperimental. Ini menyediakan model diskriminasi yang memaksimalkan rasio

antara kelas varians dan meminimalkan rasio dalam varians kelas (Dias et al.,
2008). Tujuan utama adalah untuk memaksimalkan rasio ini sehingga kelas yang
memadai keterpisahan diperoleh.

3.3. Indeks kelas keterpisahan

Indeks keterpisahan didefinisikan sebagai fraksi yang memperkirakan rata-rata

jumlah kasus dalam satu set data yang memiliki terdekat tetangga dengan tingkat
yang sama (Duda et al., 2001). Dengan

demikian, itu adalah ukuran dari sejauh

mana masukan terkait dengan output yang sama cenderung mengelompok

bersama-sama. Langkah ini ditentukan oleh rasio jejak '' antara kelas scatter matrix
'' (SB) dengan yang dari '' dalam kelas scatter matrix '' (SW). suatu ekspresi untuk

antara matriks kelas (SB) dan dalam kelas pencar matrix (SW) diberikan dalam pers. (5) dan SB

c
i1
nimi?

mmi?

SW

mT

c
i1
niXj1
!

DXi;

j?

mixi;

j?

miT

mana, c adalah jumlah kelas, ni menunjukkan jumlah sampel di kelas i, dan xi, j
menunjukkan sampel j di kelas i. Itu vektor mean dari sampel dilambangkan dengan
mi di kelas I dan m menunjukkan vektor mean dari sampel. (6), masing-masing.

3.4.model jaringan saraf

Persepsi propagasi kembali multilayer adalah diawasi Metode dan merupakan

generalisasi dari aturan pembelajaran gradient descent (Haykin, 2001). Topologi
jaringan saraf terdiri dari input lapisan, lapisan tersembunyi dan lapisan output.
Algoritma ini didasarkan pada metode minimisasi kesalahan yaitu belajar koreksi
kesalahan aturan. Untuk mengoptimalkan jaringan saraf, nomor yang berbeda dari
masukan node dan node tersembunyi diperiksa. Dalam proses ini, jaringan output
dibawa lebih dekat ke output yang diinginkan sehingga meminimalkan kesalahan

(Jamal et al., 2009). Skor dari pertama 20 komponen utama yang diterapkan
sebagai variabel masukan dalam BP-MLP model. Dengan demikian, jumlah node
input dari BP-MLP adalah 20. Jumlah node pada lapisan tersembunyi diambil sebagai
13 dan 1000 iterasi telah dilakukan untuk pelatihan, dan telah menemukan bahwa
mean square error (MSE) secara bertahap mengurangi ke Nilai stabil kecil setelah
1000 zaman. Pada uji set, variasi serupa diamati, tapi setelah 1000 zaman, MSE
menjadi tidak stabil (lebih pas). Oleh karena itu, kami mengakhiri pelatihan jaringan
pada 1000 zaman. The 'logsig' adalah fungsi yang digunakan sebagai fungsi
aktivasi di setiap node tersembunyi. Jumlah node output empat sesuai dengan
empat jenis bunga yang berbeda dari madu dan fungsi aktivasi pada lapisan output
fungsi 'linear'. Tingkat pembelajaran di lapisan tersembunyi dan lapisan output 0,02
dan 0,2, masing-masing dan faktor momentum dianggap sebagai 0,9. Dalam saraf
RBF model jaringan, seperti dalam kasus BP-MLP, jumlah masukan node adalah 20
dan output node 4. Hasil terbaik telah diperoleh dengan memilih lapisan
tersembunyi tunggal dengan 11 node.

4.Hasil Penelitian
4.1. Clustering data dengan PCA dan LDA
Interpretasi data voltametri sering sangat rumit, terutama untuk pengukuran media
kompleks dan multikomponen. Seringkali tanggapan yang diperoleh adalah
kompleks dan nonlinear. Hal ini terutama disebabkan oleh proses yang berbeda
yang mungkin terjadi pada permukaan elektroda. Sinyal yang dihasilkan
mengandung informasi, yang bisa digali dengan metode multivariat. Didalam
penyelidikan dijelaskan, data diperlakukan oleh PCA dan LDA. PCA digunakan untuk
menurunkan komponen utama pertama dari data untuk memeriksa pengelompokan
sampel, untuk memvisualisasikan distribusi relatif dari sampel madu menurut
botani mereka asal. PCA telah dilakukan dengan 1200 titik pengukuran dihasilkan
dari elektroda platinum sedangkan LDA telah dilakukan dengan 20 komponen
utama pertama. PCA dan LDA plot ditunjukkan pada Gambar. 5a dan b, masingmasing. Ara. 5a menunjukkan 2D PCA plot Eucalyptus, Leechu, Til dan Khalisa
sampel madu, dilakukan dengan elektroda platinum. Data yang diukur membentuk
matriks (80? 1200) untuk analisis komponen utama. Dua komponen pertama (PC1
dan PC2) mewakili 95,33% dari total varians antara pengukuran sampel. SEBUAH
plot dari dua PC pertama telah digunakan untuk menentukan apakah cluster Data
yang berbeda ada untuk pengenalan pola. Hal ini dilihat dari plot PCA bahwa dua
sampel (Til dan Eucalyptus) dikelompokkan menjadi dua kelompok yang berbeda
sesuai dengan asal botani sementara sampel madu lainnya dari Kholisa dan Leechi

yang tumpang tindih. Ini mungkin karena fakta bahwa Leechi dan Kholisa sampel
madu adalah, sampai batas tertentu, campuran dari jenis bunga lainnya madu.
Karenanya, tidak ada yang jelas pengelompokan diamati antara empat madu yang
berbeda sampel. LDA Plot pada Gambar. 5b menunjukkan pemisahan jelas antara
empat kelas sampel sebagai teknik transformasi data ini memaksimalkan rasio
antara kelas varians dan dalam varians kelas. Namun, dengan mempertimbangkan
bahwa menetapkan asal bunga didasarkan pada laporan subjektif oleh apiaries,
hasilnya bisa dianggap baik. Untuk klasifikasi, diketahui bahwa lebih variabel yang
digunakan; maka, pertama 20 PC dianggap. Hasilnya merupakan varian dari hampir
99,28% saat melakukan LDA untuk semua empat jenis bunga madu. Hasil dengan
indeks kelas keterpisahan untuk PCA dan LDA adalah 0,7278 dan 6,5636, masingmasing. Demikian peningkatan menunjukkan utilitas dari metode ini.
5. Kesimpulan
Kebanyakan jenis madu yang tersedia secara komersial memiliki banyak varietas di
pasar, dan varietas madu ini berbeda tidak hanya dari sudut pandang botani tetapi
juga
dari
segi
rasa
dan
kualitas.
Ini
perbedaan diakui secara komersial dan disukai oleh konsumen. Hal ini dalam
pengejaran ini, pekerjaan ini telah diambil untuk membedakan jenis bunga yang
berbeda
madu
menggunakan
voltametri
lidah elektronik. Teknik yang dijelaskan dalam makalah ini memiliki potensi untuk
menjadi alat identifikasi bunga berguna untuk hari ke hari digunakan dalam industri
pemeliharaan lebah dalam pengukuran kualitas yang cepat. Keunikan metode yang
diusulkan adalah bahwa ia menggunakan informasi yang terdapat dalam seluruh
voltamogram. Dari PCA dan LDA bidang 80 sampel dari 4 bunga yang berbeda jenis
madu, itu mengungkapkan bahwa diskriminasi yang berbeda dan klasifikasi sampel
madu mungkin dengan voltametri siklik berdasarkan lidah elektronik. Hasil
didasarkan pada model BP-MLP dan RBF Model juga menyediakan persentase yang
tinggi dari akurasi klasifikasi. Semua dalam semua, teknik yang dijelaskan dalam
makalah ini menetapkan manfaatnya untuk evaluasi jenis bunga madu
menggunakan kerja platinum elektroda berdasarkan lidah elektronik. Juga, itu
adalah layak untuk mendeteksi pemalsuan oleh optimalisasi pemilihan elektroda
dan prosedur eksperimental diperlukan dengan mempertimbangkan jumlah lebih
sampel dengan jenis bunga yang lebar. Namun, ada yang lain atribut penting dari
madu, yang juga perlu dipertimbangkan untuk estimasi kualitas dan untuk itu,
eksperimen rumit menggunakan sebuah array elektroda bekerja dapat diambil.

References
Anklam, E., 1998. A review of the analytical methods to determine the geographical
and botanical origin of honey. Journal of Food Chemistry 63, 549562.
Anupama, D., Bhat, K.K., Sapna, V.K., 2003. Sensory and physico-chemical

properties of commercial samples of honey. Journal of Food Chemistry 36, 183191.

Beullens, K., Meszaros, P., Vermeir, S., kirsanov, D., Legin, A., Buysens, S., Cap, N.,
Nicolai, B.M., Lammertyn, J., 2007. Analysis of tomato using two types of electronic
tongue. Sensors and Actuators B: Chemical 131, 1017.
Bhattacharyya, R., Tudu, B., Das, S.C., Bandyopadhyay, R., Bhattacharya, N.,
Pramanik, P., 2012. Classification of black tea liquor using cyclic voltammetry.
Journal of Food Engineering 109, 120126.
Bhondekar, A.P., Dhiman, M., Sharma, A., Bhakta, A., Ganguli, A., Bari, S.S., Vig, R.,
Kapur, P., Singla, M.L., 2010. A novel i-tongue for Indian black tea
discrimination. Sensors and Actuators B: Chemical 148, 601609.
Codex Alimentarius Commission Standards, 1981, Codex Standard for Honey, FAO
Rome. vol. 111.
Corbella, E., Cozzolino, D., 2005. Classification of the floral origin of Uruguayan
honeys by chemical and physical characteristics combined with chemometrics.
LWT 39, 534539.
Dias, L.A., Peres, A.M., Veloso, A.C.A., Reis, F.S., Vilas-Boas, M., Machado, A.A.S.C.,
2008. An electronic tongue taste evaluation: identification of goat milk
adulteration with bovine milk. Sensors and Actuators B: Chemical. 136, 209
217.
Duda, R.O., Stork, D.G., Hart, P.E., 2001. Pattern Classification, second ed. Wiley,
New York, p. 115.
Haykin, S., 2001. Neural Networks: A Comprehensive Foundation, second ed.
Pearson Education, Asia, Hong Kong.
Ivarsson, P., Holmin, S., Krantz-Rlcker, C., Hojer, N.-E., Winquist, F., 2001.
Discrimination of tea by means of a voltammetric electronic tongue and
different applied waveforms. Sensors and Actuators B: Chemical 76, 449454.
Jamal, M., Khan, M.R., Imam, S.A., 2009. Electronic tongue and their analytical
application using artificial neural network approach: a review. MASAUM
Journal of Reviews and Surveys 1 (1), 130137.
Major, N., Markovic, K., Krpan, M., Saric, G., Hruskar, M., Vahcic, N., 2011. Rapid
honey characterization and botanical classification by an electronic tongue.
Talanta 85 (1), 569574.
Palit, M., Tudu, B., Dutta, P.K., Dutta, A., Jana, A., Roy, J.K., Bhattacharyya, N.,
Bandyopadhyay, R., Chatterjee, A., 2010a. Classification of black tea taste and
correlation with tea tasters mark using voltammetric electronic tongue. IEEE
Transactions on Instrumentation and Measurement 59 (8), 22302239.
Palit, M., Tudu, B., Dutta, P.K., Dutta, A., Jana, A., Roy, J.K., Bhattacharyya, N.,
Bandyopadhyay, R., Chatterjee, A., 2010b. Comparison of multivariate
preprocessing techniques as applied to the electronic tongue based pattern
classification for black tea. Analytica Chimica Acta 675, 815.
Tian, S.Y., Deng, S.P., Chen, Z.X., 2006. Multifrequency large amplitude pulse
voltammetry: a novel electrochemical method for electronic tongue. Sensors
and Actuators B 123, 10491056.
Tiwari, K., Tudu, B., Bandyopadhyay, R., Chatterjee, A., 2012. Discrimination of

monofloral honey using cyclic voltammetry. IEEE NCETACS 201, 132136.

Wei, Z., Wang, J., 2011. Classification of monofloral honeys by voltammetric
electronic tongue with chemometrics method. Electrochimica Acta 56 (13),
49074915.
Wei, Z., Wang, J., Liao, W., 2009. Technique potential for classification of honey by
electronic tongue. Journal of Food Engineering 94 (34), 260266.
Winquist, F., 2008. Voltammetric electronic tongue basic principles and
applications. Microchimca Acta 163, 310.
Winquist, F., Wide, P., Lundstrom, I., 1997. An electronic tongue based on
Voltammetry. Analytica Chimica Acta 357 (12), 2131.