Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN: 2548-964X

Vol. 3, No. 10, Oktober 2019, hlm. 10110-10117 http://j-ptiik.ub.ac.id

Sistem Pendeteksi Kesegaran Ikan Bandeng Berdasarkan Bau Dan Warna

Daging Berbasis Sensor MQ135 Dan TCS3200 Dengan Metode Naive Bayes
Govinda Dwi Kurnia Sandi1, Dahnial Syauqy2, Rizal Maulana 3

Program Studi Teknik Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya

Email: 1govindadwi@gmail.com, 2dahnial87@ub.ac.id, 3rizal_lana@ub.ac.id

Abstrak
Kesegaran ikan bandeng dipengaruhi beberapa faktor, salah satunya adalah waktu penyimpanan
ikan. Dalam proses penyimpanan dan pengolahan pada pedagang dan rumah tangga, masih dilakukan
secara manual dan menyebabkan kesalahan dalam menentukan kesegaran ikan bandeng. Untuk
mengatasi masalah tersebut akan dilakukan perancangan alat yang dapat menentukan kesegaran ikan
bandeng secara cepat dan otomatis. Dalam pembuatan alat ini akan digunakan mikrokontroler arduino
serta sensor gas MQ135 untuk mendeteksi amonia, dan sensor TCS3200 untuk mendeteksi warna RGB
dari daging ikan bandeng. Hasil dari dua sensor tersebut yang berupa 4 parameter atau fitur untuk
nantinya akan digunakan untuk menentukan kesegaran ikan bandeng dengan metode naive bayes...
Metode Naive Bayes dipilih karena metode ini sangat fleksibel jika ada perubahan pada data latih, dan
membutuhkan data latih yang sedikit untuk bisa melakukan perhitungan naive bayes, dan terakhir hasil
dari klasifikasi metode ini juga cukup akurat. Dari pengujian yang dilakukan mulai dari pengujian sensor
metode dan waktu komputasi hasilnya adalah persentase error TCS3200 ketika mendeteksi RGB daging
adalah sebesar 2,2%. Pada pengujian sensor MQ135 diperoleh nilai korelasi sensor dengan tegangan
output sebesar 99,22%. Untuk pengujian metode menggunakan 100 data latih dan 18 data uji, klasifikasi
menggunakan naive bayes memperoleh akurasi sebesar 94,4% dengan waktu komputasi rata-rata selama
2,7 detik.
Kata Kunci: Kesegaran ikan, MQ135, TCS3200, Naive Bayes
Abstract
The freshness of milkfish is influenced by several factors, one of which is the time of storage of fish.
In the process of storage and processing at traders and households, it is still done manually and causes
errors in determining the freshness of milkfish. To overcome these problems, a tool that can determine
the freshness of milk fish will be designed quickly and automatically. In making this tool an arduino
microcontroller and MQ135 gas sensor will be used to detect ammonia, and TCS3200 sensor to detect
the RGB color of milkfish. The results of the two sensors in the form of 4 parameters or features will be
used to determine the freshness of milkfish with the Naive Bayes method ... The Naive Bayes method was
chosen because this method is very flexible if there are changes to the training data, and requires little
training data to can do Naive Bayes calculations, and finally the results of the classification method are
also quite accurate. From the testing carried out starting from the sensor testing method and
computational time the result is the TCS3200 error percentage when detecting RGB meat is 2.2%. In
testing the sensor MQ135 sensor correlation value obtained with an output voltage of 99.22%. For
testing methods using 100 training data and 18 test data, classification using Naive Bayes obtained an
accuracy of 94.4% with an average computing time of 2.7 seconds.
Keywords: freshness of fish, MQ135, TCS3200, Naive Bayes

memiliki rasa yang khas, dan juga dikenal

1. PENDAHULUAN bahkan di luar negeri. Kandungan omega3 pada
Ikan Bandeng atau milkfish atau nama bandeng sebesar 14.2% lebih besar dari
latinnya chanos chanos merupakan ikan yang kandungan omega-3 ikan salmon (2.6%), ikan
disukai oleh banyak masyarakat Indonesia, sardines/ mackerel (3.9%) dan ikan tuna (0.2%)

Fakultas Ilmu Komputer

Universitas Brawijaya 10110
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
(Perikanan, 1996).
Indonesia juga merupakan negara budidaya
Bandeng yang cukup besar. Dengan gizi tinggi
dan mendukung ketahanan pangan, budidaya
bandeng menjadi usaha sebagian orang di
Indonesia mulai dari tambak sampai pedagang di
pasar. Pada tahun 2014, produksi ikan bandeng
mengalami peningkatan, yakni dari 421.757 ton
pada 2010 jadi 621.393 ton di tahun 2014 (data
sementara) atau 10,4 % tiap tahun. Tetapi
dengan meningkatnya produksi ikan bandeng
yang segar, membuat oknum pedagang yang
tidak bertanggung jawab atau curang
memanfaatkan kondisi ini dengan menjual ikan
yang tidak layak konsumsi seperti ikan busuk,
ikan dengan formalin ataupun berklorin (FER,
2015).
Dalam memeriksa kesegaran ikan, di UKM
(Usaha Kecil Menengah) masih dilakukan
dengan cara analisis mikrobiologi dan kimiawi ,
cara ini masih belum efektif karena
menggunakan tenaga manusia yang banyak.
membutuhkan biaya tidak sedikit, manusia juga
mudah kelelahan fisiknya karena waktu yang
dibutuhkan lebih lama, sehingga berpengaruh
pada produksi ikan. Tanda ikan ketika mulai
busuk adalah dengan dikeluarkannya amonia,
dikarenakan adanya penguraian protein dan
lemak pada ikan, dengan terjadinya penguraian
protein dan lemak akan mengakibatkan
penurunan mutu daging ikan yang menyebabkan
perubahan tekstur, rasa, dan penampakan ikan
(Junianto, 2003).
Pada penelitian ini akan fokus untuk
menentukan klasifikasi kesegaran ikan bandeng,
dengan parameternya adalah bau dan warna,
karena dalam penurunan kualitas bandeng hal
yang paling terlihat adalah bau dan penampakan
daging ikan tersebut. Perancangan sistem akan
memakai Arduino Uno yang menjadi otak dari
sistem, tugasnya mulai dari menghubungkan
antar hardware dan memproses atau mengolah
data. Data yang akan diolah di arduino adalah
data hasil dari pembacaan gas dan RGB oleh
sensor MQ135 dan TCS3200. Setelah proses
klasifikasi selesai, hasil akhir kesegaran ikan
bandeng akan tampil di LCD 16×2. Metode yang
digunakan untuk klasifikasi adalah Naive Bayes.
Metode Naive Bayes dipilih karena cepat dan
akurat dalam melakukan klasifikasi. Kelebihan
metode ini adalah bisa menggunakan data latih
yang sedikit serta bisa dengan fitur yang banyak
dan metode yang fleksibel karena jika ada
kesalahan di data latih dan perlu mengganti,
yang diganti tidak banyak. Dari semua latar
Fakultas Ilmu Komputer, Universitas Brawijaya
10111
belakang yang telah dijelaskan penulis akan
melakukan penelitian dengan membuat sistem
yang dapat mendeteksi kesegaran ikan dengan
otomatis, dalam mendeteksi sakan
menggunakan arduino untuk pusat pemrosesan,
sensor TCS3200 untuk membaca warna dan
MQ135 untuk membaca amonia, untuk
klasifikasinya akan menggunakan naïve bayes.
Dengan dilaksanakannya penelitian ini,
diharapkan bisa memudahkan masyarakat baik
pedagang ataupun konsumen dalam menetukan
kesegaran ikan bandeng.
2. PERANCANGAN DAN
IMPLEMENTASI SISTEM
2.1 Gambaran Umum Sistem
Gambar 1. Diagram Blok Sistem
Dari Gambar 1 bisa diketahui bahwa sistem
sistem ini nantinya akan memiliki 3 bagian
utama yaitu input/masukan pada sistem, proses/
tempat pemrosesan sistem, dan output/ hasil
yang dikeluarkan sistem. Di bagian input
terdapat 2 sensor yang dipakai yaitu sensor
MQ135 untuk membaca amonia dan sensor
TCS3200 untuk membaca warna. Hasil sensor
gas berupa PPM dan sensor warna berupa RGB
dari daging ikan bandeng yang diuji, data dari
sensor nantinya akan diolah di bagian proses
yaitu arduino, diolah maksudnya data sensor
akan menjadi parameter atau fitur dalam
perhitungan naive bayes. Metode ini digunakan
karena kefleksibelan dan kecepatannya dalam
melakukan klasifikasi dan hasil dari metode ini
juga akurat meskiput data latih yang digunakan
sedikit. Hasil dari klasifikasi pada alat ini akan
ditampilkan di LCD 16x2 yang termasuk output
jika melihat pada gambar 1.
2.2 Perancangan Prototype Sistem
Untuk membuat prototype sistem, perlu
adanya sebuah rancangan atau desain awal alat
mulai dari ukuran, bahan sampai letak sensor
dan komponen lain yang digunakan agar sistem
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
lebih rapi dan tertata. Desain pada Gambar 2
dibuat menggunakan software Google Sketch
Up.
Gambar 2. Desain Alat Pendeteksi
Kesegaran Ikan Bandeng
Pada gambar 2 desain alat dengan dimensi
19 cm x 27 cm x 11 cm, berupa box plastik yang
akan diwarnai hitam. Agar cahaya tidak bisa
mengganggu dari luar, maka warna htam dipilih
sebagai warna dari prototype sistem ini. Untuk
peletakan tombol dan LCD diatas box agar
pengguna dimudahkan dalam melihat hasil dan
memulai proses dengan cara menekan tombol
tersebut. Pada bagian sistem yang bisa dibuka
tutup terdapat sensor MQ135 yang
menghadapke bawah atau kedalam box. Tujuan
bisa dibuka tutup agar sirkulasi udara didalam
box bisa lancar dan jika ingin merefresh sensor
MQ135 hanya tinggal membuka bagian tersebut
agar sensor menghadap ke atas.
Gambar 3. Diagram Skematik Sistem
Gambar 3 merupakan gambar skematik
rangkaian perangkat keras atau konektivitas dari
tiap komponen yang diimplementasikan dalam
pembuatan sistem. Diantarnya adalah Arduino
Fakultas Ilmu Komputer, Universitas Brawijaya
10112
Uno sebagai pusat pemrosesan sistem, sensor
TCS3200 untuk membaca warna, sensor
MQ135 untuk membaca amonia, tombol untuk
memulai sistem, dan resistor yang berfungsi
untuk rangkaian pembagi tegangan pada
pembacaan sensor MQ135 atau mendapatkan
nilai PPM, serta, lalu LCD I2C untuk
menampilkan hasil dari sistem ini.
Perancangan selanjutnya adalah
perancangan perangkat lunak, perancangan ini
perlu dilakukan untuk menetukan cara sistem
bekerja. Cara kerja sistem yaitu arduino uno
menerima sinyal dari tombol untuk memulai
pembacaan sensor gas dan warna, lalu
melakukan pengambilan nilai sensor dari
MQ135 dan TCS3200 dan akan mengolahnya.
Gambar 4. Diagram Alir Pembacaan Data
Sensor
Jika mengacu pada diagram alir di Gambar
4, terlihat bahwa pertama kali hal yang
dilakukan oleh sistem adalah meng-inisialisasi
pin sensor MQ135 dan TCS3200 pada arduino
IDE dengan tujuan untuk membedakan input
ataupun output yang digunakan kedua sensor.
Setelah mikrokontroler mendapatkan nilai dari
pembacaan warna dan amonia (PPM), maka
dilakukan proses pengecekan penekanan push
button. Apabila tombol ditekan, maka sensor
akan mulai proses klasifikasi, data sensor akan
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
dipakai untuk perhitungan Naive Bayes dalam
menentukan jenis kesegaran daging ikan yang di
uji.
Gambar 5. Diagram Alir Perancangan Naive
Bayes
Jika nilai dari sensor gas dan warna sudah
didapatkan, maka tahap selanjutnya adalah
menggunakan data tersebut untuk dihitung
dengan algoritma naïve bayes, mulai dari mean,
prior, gaussian dan posterior, sehingga akan
mendapatkan hasil klasifikasi, hasil klasifikasi
didapat dari membandingkan nilai akhir dari
kelas yang sudah ditentukan. Kelas yang
nilainya tertinggi akan menjadi kesimpulan dari
sistem. Dalam perancangan Naive Bayes yang
ditampilkan pada Gambar 5 memiliki beberapa
tahapan. Penjelasan masing- masing tahapan
pada algoritma Naive Bayes adalah sebagai
berikut:
Gambar 6. Diagram Alir ProbPrior()
Tahap pertama yang dilakukan atau
Fakultas Ilmu Komputer, Universitas Brawijaya
10113
dihitug dalam klasifiksi naïve bayes
yaituperhitungan nilai prior dari dua kelas yang
ditentukan sejak awal, yaitu untuk kesegaran
ikan baik dan untuk kesegaran ikan buruk,
penentuan kelas tersebut didapatkan dengan 4
fitur/parameter yaitu nilai dari gas amonia, R, G,
B pada ikan bandeng. Nilai prior adalah nlai
peluang pada kelas tertentu, diperoleh dengan
cara membagi jumlah keseluruhan data pada
kelas itu dengan jumlah seluruh data dari semua
kelas). Data tersebut adalah data latih yang akan
digunakan dalam menghitung prior, setelah nilai
prior ditemukan nilai ini akan digunakan dalam
perhitungan gaussian.
Gambar 7. Diagram Alir Gaussian()
Tahap kedua dalam naive bayes adalah
menentukan nilai gaussian, cara menghitungnya
yaitu dengan mendapatkan nilai peluang dari
semua fitur. Sistem ini menggunakan fitur hasil
dari pembacaan nilai dari sensor sensor, sensor
TCS3200 memiliki 3 fitur yaitu fitur R, G dan B,
sedangkan sensor MQ135 memiliki 1 fitur yaitu
PPM dari amonia, jadi total keseluruhan ada 4
fitur yang akan digunakan dalam perhitungan.
Sebelum mulai hitung nilai gaussian dari semua
fitur, yang perlu dihitung yaitu mean dan standar
deviasi terlebih dahulu, perhitungannya
memakai Persamaan (1) serta Persamaan (2).
Untuk mempermudah ketika memakai nilai dari
data latih saat menggunakan program, mean dan
standar deviasi dari data latih sistem ini sudah
disimpan pada program di mikrokontroler.
Setelah itu, gaussian dihitung dengan memakai
Persamaan (3) seperti yang terlihat pada Gambar
7 nilai x disitu adalah nilai yang berasal dari fitur
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 10114

yang didapat ketika pembacaan sensor. fitur. Fitur itu sendiri adalah dari pembacaan
sensor-sensor yang gunakan yaitu amnois dan
Rumus Perhitungan Mean gas, fiturnya R, G, B dan PPM. Caranya yaitu
dengan melakukan perkalian antara hasil dari
𝑛
∑𝑖=1 𝑥𝑖 perhitungan prior dengan hasil perhitungan
𝑥̅ = (1) Gaussian. Langkah terakhir dalam perhitungan
𝑛
Rumus Perhitungan Standart Deviasi Naive Bayes ini adalah membandingkan nilai
posterior dari tiap kelas dan mencari yang paling
∑
𝑛
(𝑥𝑖 −𝑥̅ )2 tinggi. Jenis kesegaran ikan yang paling tinggi
𝑠 = √ 𝑖=1 (2) nilai posteriornya merupakan hasil klasifikasi
𝑛−1
yang ditampilkan pada output sistem ini.
Rumus Perhitungan Gaussian
2.3 Implementasi Sistem
(𝑥𝑖−𝜇𝑖𝑗 )2
1 − 2𝜎 Jika perancangan sudah dikerjakan,
𝑒 𝑖𝑗2 (3) tahapan selanjutnya adalah implementasi sistem.
√2𝑥𝜋𝑥𝜎𝑖𝑗2
Tahap ini berisi eksekusi atau pelaksanaan
semua perancangan yang sudah dibuat di awal .
Keterangan : implementasi prototype ditampilkan pada
(𝑋 = 𝑥𝑖 |𝑌 = 𝑦𝑖 ) : Peluang gaussian gambar 9 dan 10.
𝜇 𝑎𝑡𝑎𝑢 𝑥̅ : nilai rata-rata (mean)
𝜎 𝑎𝑡𝑎𝑢 𝑠 : nilai standar deviasi
𝑛 : jumlah data
𝑥𝑖 : data ke-i
e : nilai eksponen (2,718282)

Gambar 9. Implementasi Prototype Sistem

Dalam implementasi alat ini komponen

Gambar 8. Diagram Alir
ProbPosteriror
Jika sudah memiliki nilai prior dan
gaussian, tahap selanjutnya adalah menghitung
posterior, adalah peluang untuk menghitung
peluang pada semua kelas jika ada masukan pada
utamanya adalah Arduino Uno, MQ135,
TCS3200, LCD 16x2 serta Switch Button. Pada
sistem ini MQ135 diletakkan dibawah tutup atas
dan menghadap kebawah, tujuannya agar bisa
merefresh sensor dengan cara menghadapkan ke
atas. Arduino di letakkan bagian samping di
dalam box bagian tengah supaya memudahkan
ketika dihubungkan dengan komponen lain..
Bagian atas diletakkan LCD 16x2 serta tombol
atau push button. Untuk menghubungkan smeua

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 10115

komponen digunakan kabel jumper. 5 181 161 134 #B5A186

6 168 149 129 #A89581
7 150 128 117 #968075
8 141 134 120 #8D8678

Setelah nilai RGB didapat, nilai RGB akan

dirubah ke HEX, tujuannya agar lebih mudah
ketika menghitung nilai error, cara hitungnya
yaitu mencari selisih dari nilai antar kedua alat
ukur pembacaan warna. Jika sudah maka ysng
terakhir adalah dilakukan perhitungan rata-rata
Gambar 10. Implementasi Peletakan error dengan menggunakan Persamaan (4).
Komponen Presentase eror = (4)
𝑆𝑒𝑙𝑖𝑠𝑖ℎ 𝑁𝑖𝑙𝑎𝑖 𝑃𝑒𝑚𝑏𝑎𝑐𝑎𝑎𝑛
3. PENGUJIAN DAN ANALISIS x 100%
𝑃𝑒𝑚𝑏𝑎𝑐𝑎𝑎𝑛 𝐴𝑙𝑎𝑡 𝑈𝑘𝑢𝑟
3.1 Pengujian Sensor TCS3200 Hasil pengujian dan perhitungan nilai
errror pada sensor warna TCS3200 ditunujukkan
Hasil pengujian sensor TCS3200 pada Tabel 3.
ditampilkan di Tabel 1 , dari tabel tersebut
dijelaskan bahwa sensor membaca warna daging Tabel 3. Hasil perhitungan error sensor
ikan bandeng dan mendapatkan nilai 3 warna warna TCS3200
yaitu RGB atau red, green, blue. Hasil baca
sensor TCS3200 akan dibandingkan dengan Pengu Selisih Error Error
pembacaan warna dari Eyedropper tool Corel jian ke HEX DEC
PHOTO-PAINT.
1 #3FD01 261377 1,83 %
Tabel 1. Hasil pembacaan warna
TCS3200 2 #40004 262148 1,78%
Pengu Pembacaan Sensor 3 #A0606 656902 4,5 %
jian R G B HEX 4 #4F7F5 325621 2,40%
ke-
1 220 218 203 #DCDACB 5 #20203 131587 1,10%

2 227 200 179 #E3C8B3 6 #30203 197123 1,78 %

3 228 203 182 #E4CBB6 7 #10100 65792 0,66 %
4 201 185 164 #C9B9A4 8 #50403 328707 3,55 %
5 183 163 137 #B7A389 Rata – rata 2,2 %
6 171 151 132 #AB9784
7 151 129 117 #978175
8 146 138 123 #928A7B Dari pengujian pada sensor warna
diperoleh rata-rata error sensor TCS3200 sebesar
2,2%. Selisih nilai baca sensor dan nilai baca
Tabel 2. Hasil pembacaan warna warna di corel Photopaint cukup kecil, dan itu
Eyedropper tool Corel PHOTO-PAINT berarti kepekaan warna dari sensor TCS3200
juga baik. Bisa dikatakan akurasi dari sensor ini
Pengu Corel PHOTO-PAINT sangat baik.
jian R G B HEX
ke- 2,7 Pengujian Sensor Gas MQ135
1 216 221 202 #D8DDCA Gambar 11 berisi grafik hubungan nilai
2 223 200 175 #DFC8AF PPM gas amonia dengan tegangan
3 218 197 178 #DAC5B0 keluaran/vout sensor MQ135 ketika proses
4 200 187 162 #C8BBA2 pembacaan. Pada gambar terlihat y = 0,517x +

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 10116

0,4329 adalah model regresi power antara 2 10 0.19 184 165 169 Buruk Baik Tidak
Sesuai
variable PPM dan vout dan nilai R2 = 0.9955 11 0.2 183 163 142 Buruk Buruk Sesuai
dapat disebut koefesien determinasi yang artinya 12 0.23 178 159 137 Buruk Buruk Sesuai
variabel PPM dipengaruhi oleh variabel 13 0.47 175 156 136 Buruk Buruk Sesuai
Vout(tegangan kelaran) sebesar 99.22%. untuk 14 0.49 171 151 132 Buruk Buruk Sesuai
0.78% sisanya untuk konsentrasi amonia 15 0.59 167 149 132 Buruk Buruk Sesuai
dipengaruhi variabel lain. 16 0.76 162 143 127 Buruk Buruk Sesuai
17 0.79 151 129 117 Buruk Buruk Sesuai
18 0.89 146 138 123 Buruk Buruk Sesuai

Dari 18 kali pengujian yang dilakukan, diperoleh

hasil 1 kali sistem gagal atau salah melakukan
klasifikasi. Dengan perhitungan akhir nilai
akurasi sistem dalam menentukan kesegaran
daging ikan bandeng adalah sebesar 94,4%.

3.4 Pengujian Waktu Komputasi

Pengujian waktu komputasi dilakukan
untuk mengetahui waktu yang dibutuhkan sistem
dalam melakukan pekerjaan. Tujuannya jika
Gambar 11. Pengujian Akurasi Sensor waktu terlalu lama, penulis dapat memperbaiki
MQ135 program yang digunakan. Waktu dimulai dari
3.3 Pengujian Akurasi Hasil Klasifikasi pembacaan sensor hingga kesimpulan dari
Sistem klasifikasi sudah diperoleh.
Pada pengujian ini semua sensor digunakan
bersamaan dan 4 fitur akan digunakan untuk
perhitungan naive bayes. Data latih yang
digunakan dalam pengujian adalah 100 data,
masing-masing 50 untuk kelas baik dan buruk.
Dimana jumlah data latih sebanyak 108 data data
uji yang digunakan ketika pengujian yaitu 18
data. Masing-masing 9 data untuk kelas baik dan
buuk. Dalam pengujian juga dibutuhkan nilai
rata-rata berhasil dan gagal sistem dalam
melakukan klasifikasi. Cara mendapatkan nilai
akurasi yaitu dengan membandingkan tingkat
keberhasilan klasifikasi dan kegagalan
klasifikasi. Atau dengan menggunakan
Persamaan (5).
Akurasi = (5) Gambar 12. Pengujian Waktu Komputasi
𝑇𝑜𝑡𝑎𝑙 𝐷𝑎𝑡𝑎−𝐷𝑎𝑡𝑎 𝑡𝑖𝑑𝑎𝑘 𝑠𝑒𝑠𝑢𝑎𝑖
Dari 18 kali pengujian yang dilaksanakan, rata-
𝑇𝑜𝑡𝑎𝑙 𝐷𝑎𝑡𝑎
x 100% rata waktu yang dibutuhkan sistem untuk
menyelesaikan tugas sebesar 2,7 detik.
Tabel 4. Hasil Akurasi metode Naive Bayes
No PPM R G B Kelas Hasil Kesesuaian 4. PENUTUP
1 0.04 228 203 182 Baik Baik Sesuai 4.1 Kesimpulan
2 0.06 227 200 179 Baik Baik Sesuai Dari pengujian yang dilakukan sensor gas
3 0.07 220 218 203 Baik Baik Sesuai MQ135 memiliki performa yang sangat baik.
4 0.08 215 183 168 Baik Baik Sesuai Sensor dapat membaca amonia dengan akurat.
5 0.09 213 181 166 Baik Baik Sesuai
Dari pengujian tersebut, nilai korelasi antara
6 0.1 206 174 158 Baik Baik Sesuai
vout dan PPM adalah 99,22%, hal ini
7 0.11 201 185 164 Baik Baik Sesuai
membuktikan bahwa semakin tinggi vout maka
8 0.12 197 178 164 Baik Baik Sesuai
PPM juga akan naik.
9 0.13 198 175 161 Baik Baik Sesuai

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 10117

Pada sensor warna TCS3200 pengujian n-sebagai-pangan-2-kemunduran-

dilakukan dengan menggunakan pembanding mutu-ikan?page=all
corel Photopaint, nilai yang diperoleh sensor Simamora, J., 2016. RANCANG
terpaut tidak terlalu jauh, dan rata-rata selisih BANGUN SISTEM PENDETEKSI
atau disebut nilai error sensor ini yaitu sebesar KESEGARAN DAGING
2,2% sehingga bisa disimpulkan sensor ini BERDASARKAN SENSOR BAU
bekerja dengan baik. DAN WARNA.

Dari pengujian yang dilakukan Sistem

Pendeteksi Kesegaran Ikan Berdasarkan Bau dan
Warna Daging Berbasis Sensor MQ135 Dan
TCS3200 Menggunakan Metode Naive Bayes
menggunakan data latih sebanyak 100 data dan
data uji sebanyak 18 data mendapatkan 1 kali
error, atau jika senilai 94,4% dengan waktu
komputasi hanya 2,7 detik.
5. DAFTAR PUSTAKA
Arduino. (2019). store.arduino.cc. Retrieved
from
https://store.arduino.cc/usa/arduino-
uno-rev3
Atasoy, A., 2015. Fish Freshness Testing with
Artificial Neural Networks.

FER. (2015). Berita Satu, KKP Targetkan

Produksi Bandeng 1,2 Juta Ton.
Retrieved from
http://www.beritasatu.com/ekonomi/26
1860-kkp-targetkan-produksi-bandeng-
12-juta-ton.html
Hadiwiyoto, S. (1993). Teknologi
Pengolahan Hasil Perikanan (1
ed.). Yogyakarta: Liberty.
Indrabayu, 2016. Sistem Pendeteksi
Kesegaran Ikan Bandeng
Menggunakan Citra.
Lawrie, 1995. Ilmu Daging. Penerjemah
Parakkasi. Jakarta: UI Press.
MQ135_Datasheet, 2016.
MQ135_Datasheet.
Murtidjo, B. A., 2002. Budi Daya Dan
Pembenihan Bandeng. Yogyakarta:
KANISIUS.
Perikanan, B. P. (1996). ikan bandeng.
RI, U. P., 2004. kemanan, mutu dan gizi
pangan. Indonesia, Paten No. 28.
Utomo, T. (2016). www.kompasiana.com.
Retrieved 09 12, 2018, from
https://www.kompasiana.com/lhapi
ye/56e7bade329773e7093cb75e/ika

Fakultas Ilmu Komputer, Universitas Brawijaya