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

Vol. 6, No. 4, April 2022, hlm. 1524-1530 http://j-ptiik.ub.ac.id

Klasifikasi Minyak Nabati Menggunakan Sensor Warna dan Sensor

Cahaya dengan Metode K Nearest Neighbor (KNN) berbasis Arduino
Nur Aini Afifah Isbindra1, Hurriyatul Fitriyah2, Dahnial Syauqy3

Program Studi Teknik Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya

Email: 1isbindra99@gmail.com, 2hfitriyah@ub.ac.id, 3dahnial87@ub.ac.id

Abstrak
Minyak nabati merupakan produk perasan dari tumbuh-tumbuhan dan sering kali digunakan sebagai
bahan utama dalam mengolah panganan. Masing-masing tumbuhan yang digunakan sebagai sumber
diperahnya minyak ini menghasilkan minyak nabati yang berbeda dalam hal kandungan gizi. Minyak
yang memiliki manfaat kesehatan yang tinggi untuk tubuh biasanya dijual dengan harga yang tinggi
pula di pasaran. Kemiripan karakteristik minyak dari segi fisiknya membuat sebagian produsen dengan
sengaja menjual minyak nabati yang tidak sesuai dengan sumber tumbuhan aslinya. Untuk
meminimalisir kejadian tersebut, pada penelitian ini dibuat sebuah sistem untuk membedakan minyak
nabati berdasarkan tumbuhannya secara langsung dan cepat. Parameter RGB serta kekeruhan digunakan
sebagai fitur dalam klasifikasi. Data RGB diakusisi oleh sensor warna TCS34725, sedangkan data
kekeruhan akan didapatkan oleh sensor cahaya LDR. Metode pengklasifikasiannya sendiri
menggunakan algoritma K-NN(K-Nearest Neighbour). Metode K-NN menggunakan data latih sebagai
training sistem klasifikasi untuk dihitung jaraknya dengan data uji yang merupakan data baru yang
dimasukkan ke dalam sistem. Kemudian hasil perhitungan jarak akan diurutkan dari yang terdekat dan
hasilnya akan ditentukan berdasarkan kelas terbanyak yang terpilih dalam voting sebanyak K.
Berdasarkan uji akurasi terhadap metode klasifikasi, didapatkan keakurasian sebesar 87,5% untuk K=3
dan K=5. Lalu kecepatan rata-rata komputasi dari pengklasifikasiannya adalah 103,6 ms.
Kata kunci: Minyak Nabati, Sensor TCS34725, Arduino Uno, K-Nearest Neighbour
Abstract
Vegetable oil is one of a product from plants and is often used as the main ingredient in food processing.
Each plant that is used as a source of this oil produces different vegetable oils in terms of nutritional
content. Oils that have high health benefits for the body are usually sold at high prices in the market.
The similarity of the characteristics of the oil in terms of its physical make some producers deliberately
sell vegetable oil that is not in accordance with the original plant source. To minimize this incident, in
this study a system was created to distinguish vegetable oils based on plants directly and quickly. RGB
parameters as well as turbidity are used as features in the classification. RGB data is acquired by the
TCS34725 color sensor, while the turbidity data will be obtained by the LDR light sensor. The
classification method itself uses the K-NN (K-Nearest Neighbor) algorithm. The K-NN method uses
training data as a classification system training to calculate the distance from the test data which is the
new data that is entered into the system. Then the results of the distance calculation will be sorted from
the closest and the results will be determined based on the most selected class in the voting as many as
K. Based on the accuracy test of the classification method, an accuracy of 87.5% was obtained from
K=3 and K=5. Then the average computational speed of the classification is 103.6 ms.
Keywords: Vegetable Oil, Sensor TCS34725, Arduino Uno, K-Nearest Neighbour

sebagai bahan bakar, minyak nabati

1. PENDAHULUAN dimanfaatkan sebagai bahan utama untuk
Minyak nabati merupakan salah satu bentuk mengolah pangan juga. Berbagai macam minyak
produk dari memanfaatkan tumbuh-tumbuhan nabati untuk olahan makanan telah beredar di
yang diperas. (Fatimah, 2014).Tidak hanya pasaran, misalnya seperti minyak kelapa,

Fakultas Ilmu Komputer

Universitas Brawijaya 1524
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
minyak sawit, minyak kanola, dan minyak zaitun
(Tazi, 2016).
Minyak nabati cocok digunakan sebagai
bahan olahan makanan karena memiliki berbagai
macam gizi yang terkandung di dalamnya.
Namun terdapat aturan pemanasan pada tiap
masing-masing minyak nabati agar gizi yang ada
di dalam minyak tidak lantas hilang atau
teroksidasi (Marlina, 2017). Karena memiliki
manfaat yang tinggi terhadap kesehatan, minyak
nabati yang biasanya dijual di pasaran memiliki
harga yang tinggi pula. Minyak kelapa
mengandung vitamin A, D, E, dan K yang
berkhasiat untuk metabolisme tubuh serta
kandungan asam lemak yang tinggi (Putri,
2019). Minyak zaitun kaya akan kandungan
vitamin E, senyawa fenol, dan estrogen nabati
yang sangat penting untuk kesehatan dan
bermanfaat pula sebagai penyembuh luka (Orey,
2008). Minyak jagung dalam pengonsumsiannya
dapat bermanfaat untuk menurunkan kolesterol
dan serangan jantung koroner karena kaya akan
asam linoleat dan asam linolenat (Dwiputra,
2015). Minyak kanola pun memiliki manfaat
untuk kesehatan jantung karena memiliki
kandungan minyak tak jenuh tunggal dan ganda
(Nainggolan, 2015).
Terkadang terdapat beberapa produsen
yang sengaja memanfaatkan kemiripan fisik dari
minyak dengan menjual minyak nabati tidak
sesuai dengan sumber tumbuhan aslinya.
Minyak kanola dan minyak zaitun merupakan
minyak nabati yang kerap dipalsukan (Tazi,
2016). Terlebih praktik penipuan tersebut dapat
sering terjadi dengan masih banyaknya
pedagang yang menjual minyak secara eceran
tanpa menyertakan keterangan minyak tersebut
diperoleh dari tumbuhan mana. Salah satunya
yang terjadi di wilayah Kramat Jati, Jakarta
Timur dan Srengseng, Jakarta Barat pada tahun
2015, di mana terdapat praktik penjualan minyak
zaitun yang ternyata isi dari produknya bukan
merupakan minyak zaitun (Liputan6, 2015).
Padahal masing-masing minyak nabati memiliki
cara pengolahan yang berbeda untuk
menghindari masakan menjadi berbau
menyengat. Gizi dalam minyak nabati tertentu
akan berubah menjadi tidak baik bagi tubuh jika
melewati suhu pemanasan yang disarankan
akibat teroksidasi (Marlina, 2017).
Pada dasarnya, minyak atau lemak
murni berwarna bening. Namun seringkali
dijumpai pigmen pada minyak yang bisa jadi
terbawa dari bahan mentahnya. Contohnya
warna kekuningan atau oranye akibat pigmen
Fakultas Ilmu Komputer, Universitas Brawijaya
1525
karoten dalam minyak dan warna kehijauan
akibat adanya pigmen klorofil (Suparno, 2013).
Selain itu minyak yang telah diproses biasanya
memiliki cloud point atau titik kabut. Titik kabut
yang dimiliki oleh masing-masing jenis minyak
cenderung berbeda karena wax yang terkandung
berbeda pula intensitas ppmnya (Gunstone,
2011). Pengamatan konvensional dengan
melihat langsung lewat mata masih dinilai
kurang efektif karena masing-masing minyak
nabati memiliki warna pigmen yang mirip antara
satu dan yang lainnya sehingga hanya para ahli
saja yang dapat menentukan serta biasanya uji di
laboratorium akan memakan waktu yang lama.
Banyak sumber telah melakukan
pengklasifikasian terhadap minyak, baik dari
segi mutu maupun jenisnya. Salah satunya
penelitian yang dilakukan sebelumnya oleh
(Putri, 2018) yang menggunakan metode
klasifikasi K-NN (K-Nearest Neighbor) untuk
memenuhi fungsi sistem pengklasifikasian
kualitas minyak yang telah digunakan beberapa
kali untuk menggoreng. Penelitian ini
menggunakan kamera dari raspberry pi untuk
mendapatkan nilai warna RGB serta sensor
cahaya LDR untuk mengetahui nilai kekeruhan
dari minyak. Akurasi yang ditunjukkan dari
sistem pengklasifikasian mencapai angka
sebesar hingga 73,33%..
Oleh karena itu berdasarkan kebutuhan
yang telah dikumpulkan, dibuat sebuah sistem
yang dapat mengidentifikasi minyak nabati dari
segi warna RGB dan kekeruhan menggunakan
metode klasifikasi K-NN. Warna RGB akan
diakusisi oleh sensor warna TCS34725,
sedangkan kekeruhan dari minyak akan
diidentifikasi oleh sensor cahaya LDR.
2. METODE PENELITIAN
Penelitian dilakukan dengan melakukan
studi literatur terlebih dahulu untuk
mengumpulkan acuan agar penelitian dapat
dipertanggungjawabkan. Kemudian dilakukan
analisis kebutuhan sistem untuk mengetahui
komponen apa saja yang dibutuhkan untuk
membangun sistem klasifikasi minyak nabati.
Setelah diketahui bahwa dibutuhkan komponen
seperti sensor warna dan sensor cahaya untuk
mendapatkan data dari sample serta penampil
berupa LCD, sistem dirancang dan
diimplementasikan ke dalam bentuk alat yang
utuh. Terakhir dilakukan pengujian terhadap
sistem untuk mendapatkan hasil keakurasian
serta kesimpulan.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Gambar 1 Flowchart Metode Penelitian
3. PERANCANGAN DAN
IMPLEMENTASI
Dalam merancang sebuah sistem, diperlukan
alur dari rancangan yang akan menggerakkan
sistem agar dapat terpenuhi kebutuhan untuk
mengklasifikasi minyak nabati. Paada Gambar 1
digambarkan alur bekerja dari sistem serta
komponennya.
Gambar 2 Blok Diagram Sistem
Fakultas Ilmu Komputer, Universitas Brawijaya
1526
Sistem dibuat di dalam satu kotak dengan
dua tingkatan di dalam kotak serta menyisakan
satu ruangan gelap yang akan digunakan sebagai
ruang diletakkannya sample. Pada tingkat
pertama akan dipasang sensor LDR untuk
mendeteksi kekeruhan dari minyak, lalu pada
tingkat kedua akan ditempatkan mikrokontroler
bersama sensor warna TCS34725 untuk
mengakusisi data RGB dari bagian permukaan
atas minyak. Kemudian bagian atas kotak akan
dilubangi untuk LCD yang berfungsi sebagai
media penampil dari hasil klasifikasi yang telah
diproses di dalam mikrokontroler. Untuk
menggunakan sistem, diperlukan daya yang
memerlukan kabel USB untuk dihubungkan ke
mikrokontroler.
Gambar 3 Prototype Sistem
3.1 Perancangan Perangkat Keras
Sebuah alat butuh dikoneksikan antar satu
sama lain agar dapat dikendalikan oleh
mikrokontroler untuk mengambil data dari
minyak nabati serta menjalankan fungsi
pengklasifikasian di dalamnya. Pada Gambar 3
ditunjukkan bagaimana sensor serta LCD
disambungkan dengan pin pada mikrokontroler.
Gambar 4 Perancangan Perangkat Keras
Dalam perancangan untuk perangkat keras
ini digunakan komponen LCD, sensor, dan
mikrokontroler Arduino Uno yang saling
disambungkan melalui kabel yang ditancapkan
pada tiap pin yang dibutuhkan untuk saling
berkomunikasi dalam menjalankan fungsinya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1527

masing-masing. dibutuhkan perancangan perangkat lunak untuk

menggerakkan bagaimana alur komunikasi akan
Sensor warna TCS34725 adalah sensor yang
berjalan dan menentukan proses apa saja yang
akan mendeteksi warna RGB dari minyak nabati
harus dieksekusi pada waktu tertentu agar sistem
dan mengirimkan data nilainya ke
dapat berfungsi dengan semestinya sesuai tujuan
mikrokontroler. Sensor ini akan mengeluarkan
yang telah ditetapkan.
cahaya yang akan melalui minyak yang di bawah
pot samplenya terdapat sensor cahaya LDR.
Besarnya cahaya yang diterima akan
3.2.1 Perancangan Program Utama
menentukan seberapa keruh minyak yang sedang
dideteksi. Semakin sedikit cahaya yang Pada perancangan program utama, pin yang
mengenai sensor, maka nilainya akan semakin digunakan pada tiap komponen baik yang
besar. Sebaliknya, semakin terang cahaya yang digunakan untuk pengakusisi data maupun yang
mengenai sensor, maka nilainya akan semakin berfungsi sebagai penampil yang disambungkan
turun. dengan mikrokontroler akan diinisialisasi pada
program. Hal tersebut dilakukan dengan tujuan
Penampil hasil yang digunakan pada sistem
untuk mengatur alur komunikasi agar setiap
klasifikasi adalah LCD 16x2 yang dipasangi
komponen dapat menjalankan fungsinya dengan
modul I2C. Modul ini berfungsi sebagai
baik saat sistem akan digunakan untuk
converter komunikasi serial dua arah yang
klasifikasi.
digunakan untuk komunikasi dua arah. Selain itu
modul yang dilengkapi dengan variable resistor Berdasarkan diagram alir yang telah disusun
ini juga difungsikan sebagai pengatur kontras pada Gambar 4, ketika pot sample yang berisi
pada LED backlight agar bisa didapatkan minyak nabati dimasukkan ke dalam sistem,
tampilan yang diinginkan untuk muncul pada maka sensor warna dan sensor cahaya akan
layar LCD. memulai fungsinya untuk mendapatkan data
nilai warna dan kekeruhan dari minyak.
Terdapat total empat macam data yang
Kemudian setelah mendapatkan data baru,
diperoleh dari dua buah sensor yang dipasang
klasifikasi dengan menggunakan metode K-NN
pada sistem. Data nilai warna merah, hijau, dan
akan dilakukan untuk menentukan hasil yang
biru didapatkan dari sensor warna TCS34725
akan ditampilkan pada LCD.
yang sudah dikalibrasi agar mendapatkan warna
dengan intensitas 8 bit. Lalu satu data kekeruhan
didapatkan dari sensor cahaya LDR yang juga
dikalibrasi agar menampilkan intensitas
kekeruhan dalam bentuk rentang nilai nol hingga
seratus persen.

Tabel 1 Koneksi Pin

Pin Pin Sensor Pin Sensor

Pin LCD
Arduino Warna Cahaya
16x2 I2C
Uno TCS34725 LDR
VCC VCC VCC VCC
GND GND GND GND
A2 A0
A4 SCL
A5 SDA
SCL SCL
SDA SDA

3.2 Perancangan Perangkat Lunak

Setelah menyambungkan keseluruhan
komponen yang dibutuhkan oleh perangkat
keras dengan menggunakan kabel, selanjutnya

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1528

Gambar 5 Diagram Alir Program Utama

3.2.2 Perancangan Program K-NN

Pada diagram alir perhitungan
menggunakan klasifikasi K-NN, langkah
pertama yang dilakukan dalam perancangan
untuk program K-NN ialah menginisialisasi
variabel yang dibutuhkan dalam perhitungan
serta melakukan kalibrasi terhadap data mentah
warna RGB yang didapatkan dari sensor warna
Gambar 6 Diagram Alir Klasifikasi K-NN
serta data nilai resistansi dari sensor cahaya
LDR. Data mentah warna yang memiliki Jumlah total dari data latih yang digunakan
intensitas 16 bit dikalibrasi sehingga hanya dalam penelitian ini adalah 16. Kesemua data itu
menampilkan hingga intensitas 8 bit saja, merupakan hasil pendeteksian pada empat
sedangkan data resistansi akan dikalibrasi macam minyak nabati yang terbagi menjadi
sehingga menampilkan intensitas kekeruhan kelas minyak zaitun, kelapa, jagung, dan kanola.
dalam bentuk persen. Langkah selanjutnya yang Jadi, diambil sejumlah empat data latih dari
harus diambil yaitu memasukkan data latih dan masing-masing minyak tersebut untuk menjadi
data uji ke dalam proses perhitungan jarak. Jarak training dari klasifikasi K-NN. Daftar minyak
yang telah didapatkan hasilnya akan diurutkan serta nilainya dapat dilihat pada Tabel 2.
nilainya dari yang paling dekat atau paling kecil
hingga ke yang paling besar. Hasil dari
klasifikasi akan ditampilkan berdasarkan jumlah
kelas terbanyak yang divoting paling dekat
nilainya dengan nilai dari data uji. Diagram alir
dari perancangan K-NN dapat dilihat pada
Gambar 5.

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1529

Tabel 2 Data Latih Intensitas kekeruhan dinaikkan dengan

Kelas R G B Kekeruhan(%) menambah satu tetes lebih dari tetesan yang
96 126 67 8 sebelumnya dicampur pada air. Pengujian
153 220 121 5 tersebut dilakukan berulang sebanyak 11 kali
Zaitun
98 129 69 8
161 226 125 5
dan dicatat pada Tabel 4. Hasil akurasi yang
155 231 141 3 ditunjukkan adalah 96,9827%.
Kelapa 133 190 114 3
152 223 142 4 Tabel 4 Akurasi Sensor Cahaya
149 215 137 3
143 195 107 5 Pengujian(%) Kalibrasi(%) Akurasi(%)
Jagung
148 204 112 4 0 0 100
136 189 101 4 24 23 95,6522
142 200 107 4 38 41 95,122
141 204 120 3 52 50 96
Kanola 58 56 96,4286
145 214 125 3
142 206 118 4 65 64 98,4375
72 69 95,6522
76 75 98,667
81 81 100
4. PENGUJIAN DAN ANALISIS 86 87 98,8506
Rata-rata Akurasi 96,9827
Pengujian pada komponen sensor, metode
klasifikasi, dan waktu komputasi dilakukan
dengan tujuan untuk mengetahui keakurasian 4.3. Pengujian Akurasi Klasifikasi K-NN
dari masing-masing komponen dan mengetahui
apakah kesemuanya sudah difungsikan dengan Pengujian dilakukan dengan menggunakan
benar sesuai dengan kebutuhannya. 8 data uji yang terdiri dari data uji minyak zaitun,
kelapa, jagung, dan kanola. Tiap data uji akan
4.1. Pengujian Sensor Warna TCS34725 dihitung jaraknya dengan 16 data latih yang telah
dimasukkan ke dalam sistem klasifikasi.
Pengujian terhadap sensor warna dilakukan Kemudian hasil perhitungan akan diurutkan dari
dengan membandingkan warna merah, hijau, yang jarak nilainya terdekat hingga terjauh dan
dan biru yang terdeteksi oleh sensor warna dilakukan voting untuk menentukan hasil
dengan gambar minyak nabati yang diperoleh klasifikasi. Untuk menentukan nilai akurasi
langsung dari memotreng menggunakan kamera dengan voting K = 3 dan K = 5, dilakukan
dan dideteksi warna merah, hijau, dan birunya perhitungan sebagai berikut.
menggunakan foreground tool pada Photoshop.
Setelah itu dihitung nilai error dengan membagi Akurasi K = 3:
selisih perbandingan dengan nilai warna hasil 𝑇𝑜𝑡𝑎𝑙 𝑃𝑒𝑛𝑔𝑢𝑗𝑖𝑎𝑛 𝐵𝑒𝑛𝑎𝑟
tangkapan kamera dan dikalikan seratus. Hasil 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = × 100%
𝑇𝑜𝑡𝑎𝑙 𝑃𝑒𝑛𝑔𝑢𝑗𝑖𝑎𝑛
akurasi adalah seratus dikurangi nilai error. 7
Berikut hasil akurasi dari masing-masing RGB 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = × 100%
8
diperlihatkan oleh Tabel 3. 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 87,5%
Tabel 3 Akurasi Sensor Warna
Akurasi K = 5:
Fitur Rata-rata Akurasi(%) 𝑇𝑜𝑡𝑎𝑙 𝑃𝑒𝑛𝑔𝑢𝑗𝑖𝑎𝑛 𝐵𝑒𝑛𝑎𝑟
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = × 100%
R 87,935 𝑇𝑜𝑡𝑎𝑙 𝑃𝑒𝑛𝑔𝑢𝑗𝑖𝑎𝑛
G 70,5075 7
B 85,3375 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = × 100%
8
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 87,5%
4.2. Pengujian Sensor Cahaya LDR
Pengujian dilakukan menggunakan air 4.4. Pengujian Waktu Komputasi K-NN
bening dan air yang sangat keruh. Nilai keluaran Pengujian ini dilakukan untuk mengetahui
dari sensor cahaya dikalibrasi menjadi 0% saat seberapa cepat waktu komputasi dari klasifikasi
ditempatkan air bening di dalam pot sample dan K-NN. Setiap data yang telah diperoleh dari
menjadi 100% saat ditempatkan air yang sangat sensor akan dimasukkan ke dalam parameter
keruh di dalam pot sample. Kekeruhan fungsi klasifikasi K-NN pada program di
ditentukan dengan air yang ditetesi pewarna.
Fakultas Ilmu Komputer, Universitas Brawijaya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
arduino. Selisih waktu dari dimulai dan
selesainya fungsi klasifikasi akan diperlihatkan
setelah hasil klasifikasi ditampilkan. Tujuan dari
pengujian ini adalah untuk mengetahui nilai
kecepatan dari proses metode K-NN dalam
mengklasifikasi minyak nabati. Dari setiap data
yang dimasukkan ke dalam sistem, akan dilihat
masing-masing berapa waktu yang dibutuhkan
dalam mengklasifikasikannya. Dari sepuluh kali
menggunakan sistem, didapatkan rata-rata
kecepatan komputasi 103,6 ms.
5. KESIMPULAN
Setelah mengetahui hasil dari proses
perancangan hingga pengujian, maka dapat
ditarik kesimpulan atas kinerja beserta akurasi
yang telah ditunjukkan oleh tiap komponen serta
proses klasifikasi yang sudah dijalankan.
Pengujian dilakukan menggunakan empat
macam minyak nabati, yaitu minyak zaitun,
minyak kelapa, minyak jagung, dan minyak
kanola. Keempat subjek itu dimasukkan ke
dalam ruang pengujian di dalam sistem, di mana
sensor warna dipasang pada bagian atas dan
sensor cahaya dipasang pada bagian bawah.
Dari pengujian sensor warna TCS34725
yang digunakan untuk membaca nilai warna
merah, hijau, dan biru pada minyak nabati,
didapatkan akurasi R = 87,935%, G =
70,5075%, dan B = 85,3375%. Sedangkan
pada sensor cahaya LDR yang digunakan
untuk memperoleh data nilai kekeruhan dari
minyak nabati, diperoleh nilai akurasi
sebesar 96,9827%.
Sistem dengan klasifikasi menggunakan
metode K-NN teruji dapat berfungsi dengan baik
saat digunakan untuk menentukan hasil dari data
uji. Pengujian yang dilakukan dengan
menggunakan sejumlah 16 data latih dan 8 data
uji menghasilkan tingkat akurasi dari voting K=
3 dan K = 5 sebesar 87,5%.
Rata-rata waktu komputasi yang
dibutuhkan oleh sistem untuk melakukan
klasifikasi terhadap data yang dimasukkan ke
dalam sistem adalah 103,6 ms dari seluruh data
yang digunakan dalam pengujian waktu
komputasi.
6. DAFTAR PUSTAKA
Dwiputra, Denny dkk. (2015). Minyak Jagung
Alternatif Pengganti Minyak yang Sehat.
Jurnal Aplikasi Teknologi Pangan, 4(2),
5-6.
Fakultas Ilmu Komputer, Universitas Brawijaya
1530
Fatimah, Warni. (2014). Pemanfaatan Minyak
Jelantah dan Ampas Segar Kelapa Sawit
pada Pembuatan Biodiesel melalui Proses
Transesterifikasi In Situ. Politeknik
Negeri Sriwijaya.
Gunstone, F. (2011). Vegetable Oils in Food
Technology: Composition, Properties and
Uses. Germany: Wiley.
Liputan6. (2015). Polisi Terus Kembangkan
Kasus Air Zamzam dan Minyak Zaitun
Palsu.
https://www.liputan6.com/news/read/220
7125/polisi-terus-kembangkan-kasus-air-
zamzam-dan-minyak-zaitun-palsu
Marlina, L., Ramdan, I. (2017). Identifikasi
Kadar Asam Lemak Bebas pada Berbagai
Jenis Minyak Goreng Nabati. 11(1), 53-
59.
Milanez, K., Pontes, M. (2014). Classification of
Edible Vegetable Oil using Digital Image
and Pattern Recognition Techniques, 113,
10-16.
Nainggolan, R. (2015). Penentuan Kualitas
Minyak Kanola (Canola Oil). Repositori
Institusi Universitas Sumatera Utara (RI-
USU).
Putri, L., Utaminingrum, F., & Tibyani, T.
(2018). Klasifikasi Minyak Goreng
Berdasarkan Frekuensi Penggorengan
Menggunakan Metode K-Nearest
Neighbor Berbasis Raspberry Pi. Jurnal
Pengembangan Teknologi Informasi Dan
Ilmu Komputer, 3(2), 1208-1214.
Putri, T. (2019). Keampuhan Air dan Minyak
Kelapa bagi Kesehatan. Yogyakarta:
Laksana.
Suparno, O., Kartika, I. A., & Muslich. (2013).
Sains dan Teknologi Proses Produksi
Minyak atau Lemak dan Kulit Samoa
(Chamois Leather). PT Penerbit IPB
Press.
Tazi, I., Suyono. (2016). Otentikasi dan
Klasifikasi Berbagai Minyak Nabati dan
Hewani Berbasis Penginderaan Hidung
Elektronik menggunakan Metode Linear
Discriminant Analysis (LDA).