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
lebih rapi dan tertata. Desain pada Gambar 2 Uno sebagai pusat pemrosesan sistem, sensor
dibuat menggunakan software Google Sketch TCS3200 untuk membaca warna, sensor
Up. 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.
dipakai untuk perhitungan Naive Bayes dalam dihitug dalam klasifiksi naïve bayes
menentukan jenis kesegaran daging ikan yang di yaituperhitungan nilai prior dari dua kelas yang
uji. 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.
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)
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