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

Vol. 6, No. 6, Juni 2022, hlm. 2982-2988 http://j-ptiik.ub.ac.id

Sistem Deteksi Tahu Formalin dan Non Formalin dengan Metode Naïve
Bayes
Bagaskara Oki Duwi Saputra1, Mochammad Hannats Hanafi Ichsan2, Sabriansyah Rizqika
Akbar3

Program Studi Teknik Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya

Email: 1bagaskara@student.ub.ac.id, 2hanas.hanafi@ub.ac.id, 3sabrian@ub.ac.id

Abstrak
Tahu merupakan olahan makanan yang dibuat berdasarkan kacang kedelai yang dihancurkan atau
dihaluskan menjadi bubur dan didiamkan hingga beberapa waktu yang telah ditentukan hingga
menghasilkan tahu yang baik dan berkualitas. Tahu merupakan salah satu makanan yang sering
dikonsumsi oleh masyarakat dan tidak sedikit oknum produsen tahu memanfaatkan hal tersebut dengan
mencurangi dalam produksi pembuatan tahu dengan menambahkan bahan yang tidak seharusnya
digunakan pada produksi seperti formalin dan bahan kimia lainnya. Jika tubuh manusia menghirup
bahkan sampai mengkonsumsi tahu yang berformalin dapat mengakibatkan hal-hal komplikasi
kesehatan yang serius seperti gangguan dalam pernafasan, gangguan dalam pencernaan, gangguan
dalam liver atau hati, bahkan jiga dikonsumsi secara terus menerus bisa mengakibatkan gagal ginjal,
penyakit jantung, penyakit kuning atau hepatitis dan penyakit kronis lainnya. Oleh sebab itu maka
diperlukan sebuah penelitian tentang mendeteksi tahu formalin atau non formalin dengan menggunakan
Arduino Uno sebagai mikrokontrollernya, sensor warna TCS3200, sensor formalin HCHO dan
menggunakan metode Naïve Bayes sebagai proses klasifikasinya. Dalam pengujian yang telah
dilakukan sebanyak 10 kali menghasilkan persentase keberhasilan sebesar 100%..
Kata kunci: Arduino Uno, Sensor TCS3200, Sensor HCHO, Naïve Bayes, Tahu, Formalin
Abstract
Tofu is a processed food made from soybeans that are crushed or mashed into porridge and left for a
predetermined time to produce good and quality tofu. Tofu is one of the foods that are often consumed
by the public and not a few unscrupulous producers of tofu take advantage of this by cheating in the
production of making tofu by adding materials that should not be used in production such as formalin
and other chemicals. If the human body inhales and even consumes tofu which is formalin, it can cause
serious health complications such as respiratory problems, digestive disorders, liver or liver disorders,
even if consumed continuously can lead to kidney failure, heart disease, jaundice. or hepatitis and other
chronic diseases. Therefore, a study is needed on detecting formalin or non-formalin tofu by using
Arduino Uno as the microcontroller, TCS3200 color sensor, HCHO formalin sensor and using the Naïve
Bayes method as the classification process. In tests that have been carried out 10 times, the percentage
of success is 100%.
Keywords: Arduino Uno, Sensor TCS3200, Sensor HCHO, Naïve Bayes, Tofu, Formalin

(kg/per) pada 2020. satu orang/tahun).

1. PENDAHULUAN
Tahu kaya akan asam amino esensial dan
merupakan makanan tradisional masyarakat
Indonesia sebagai sumber makanan berprotein
tinggi. (Harmayani, 2009). Menurut portal
Kementerian Pertanian RI, konsumsi tahu
Indonesia diperkirakan mencapai 8,67
(kg/orang/tahun) pada 2021, naik dari 8,52
(Wahyuningsih, Sri., dkk, 2019).
Dengan semakin banyaknya peminat
konsumsi dikalangan masyarakat, produksi tahu
akan semakin banyak disebabkan karena faktor
kebutuhan konsumsi masyarakat. Dibalik itu
semua, ada oknum produsen pembuatan tahu
tidak semuanya jujur dikarenakan ada beberapa
oknum yang sengaja memberikan bahan-bahan

Fakultas Ilmu Komputer

Universitas Brawijaya 2982
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
yang tidak seharusnya digunakan seperti
penggunaan formalin untuk membuat tahu putih
tersebut semakin lama dan awet dalam
pembusukan.
Penambahan formalin pada tahu masih
sering dilakukan oleh produsen tahu. Ini karena
bahan pengawet murah, mudah didapat, selain
itu dengan menambahkan bahan pengawet dapat
memiliki masa busuk atau masa expired yang
sangat lama. Oleh sebab itu, banyak yang tidak
sedikit produsen tahu khususnya putih/ susu
dapat menghemat biaya produksi dengan
menambahkan cairan formain ke dalam produksi
tahunya. (Halodoc, 2018). Formalin adalah
larutan tidak berwarna dengan aroma yang khas
yakni aroma yang ditimbulkan akan menyengat.
Formalin itu sendiri memiliki kandungan kurang
lebih tiga puluh tujuh persen (37%). Selain itu
memiliki kandungan lima belas persen (15%)
metanol yang terkandung menjadi satu dengan
ditambah bahan formalin tadi. (Badan POM,
2005).
Mengkonsumsi tahu dengan formalin dapat
sangat mengiritasi tubuh dan karena
karsinogenisitasnya dapat menyebabkan
perubahan sel jaringan tubuh yang dapat
menyebabkan kanker. Menghirup uap, serta
konsumsi, dapat menyebabkan masalah
pernapasan. Formalin sangat merusak sehingga
sangat berbahaya dan dapat menyebabkan
insomnia, sakit kepala, infeksi hidung dan
bahkan batuk kronis. (Halodoc, 2018).
Kalimat diatas adalah beberapa kalimat
pendukung untuk penulis bisa membuat sesuatu
penelitian yakni sebuah membangun sistem yang
mampu deteksi apakah tahu putih tersebut
mengandung bahan formalin atau non formalin
dengan menggunakan metode Naïve Bayes tanpa
harus menghirup bau dari tahu putih tersebut.
Alasan penggunaan metode Naïve Bayes adalah
metode tersebut dapat mudah dipahami, tingkat
akurasinya jauh lebih tinggi dari metode lainnya,
serta tidak membutuhkan waktu komputasi yang
besar atau lama. Pada sistem ini akan
menggunakan sebuah data latih dan data uji
untuk mendeteksinya. Kategori pada sistem ini
yakni formalin dan non-formalin. Untuk
penelitian ini akan ada beberapa alat sensor
seperti, Arduino Uno yang akan digunakan
sebagai mikrokontroller proses, ada juga alat
sensor formalin HCHO sebagai penunjang
pembacaan aroma formalin dengan membaca
kadar udara sekitar, dan sensor warna dengan
nama TCS3200 dengan membaca warna objek
yang akan diarahkan ke sensor ini, dan nantinya
Fakultas Ilmu Komputer, Universitas Brawijaya
2983
akan ditampilkan di LCD.
2. LANDASAN KEPUSTAKAAN
2.1 Tinjaun Pustaka
1. Pada penelitian Satriawan, D., Fitriyah,
H., & Budi, A., yang diterbitkan tahun
2020 dengan judul Sistem Klasifikasi
Tahu Putih Murni dan Tahu Putih
Mengandung Formalin Menggunakan
Metode K-Nearest Neighbor
menjelaskan klasifikasi tahu putih yang
mengandung formalin dan non formalin
dengan menggunakan 2 sensor yakni
sensor gas Grove-HCO dan sensor
warna TCS3200 sebagai sensor input
dan LCD sebagai sensor output dan
mengaplikasikan K-Nearest
Neighboars. Penelitian ini mendapatkan
akurasi sensor sebesar 1,20% untuk
pendeteksian warna dengan
menggunakan sensor warna yakni
TCS3200, serta mendapatkan akurasi
sensor sebesar 4,26% untuk sensor
HCHO sebagai pendeteksian aroma
formalin, untuk akurasi metode KNN
mendapatkan akurasi sebesar 83,33%
2. Pada penelitian Simamora, Joshwa.,
dkk., yang diterbitkan tahun 2017.,
dengan judul Rancang Bangun Sistem
Pendeteksi Kesegaran Daging
Berdasarkan Sensor Bau Dan Warna.
menjelaskan tingkat kesegaran daging
yang bersifat non-destructive atau tanpa
dihancurkan dengan memakai atau
menggunakan beberapa sensor yang
akan digunakan yakni sensor gas
sebanyak 3 jenis untuk mendeteksi
aroma gas sekitar serta sensor warna
yakni sensor TCS3200 untuk
mendeteksi warna yang ada di atas
permukaan sekitar daging. Dalam
penelitian ini dapat mencapai akurasi
sebesar 80%.
Berdasarkan kedua penelitian di atas maka
pada penelitian ini akan melakukan deteksi tahu
formalin dan non formalin menggunakan metode
Naïve Bayes.
2.2 Metode Naïve Bayes
Salah satu jenis klasifikasi probabilitas
mudah dipahami yang berdasarkan pada teorema
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
bayes disebut Naïve Bayes. Hanya butuh data
training yang kecil sebagai parameter dalam
proses klasifikasi. Bahwa ada atau tidaknya
adanya suatu parameter/fitur di kelas tidak
bergantung pada ada atau tidak adanya
parameter/fitur lain di kelas yang sama.
(Setiawan., Ratnasari, 2014).
Suatu klasifikasi statistik yang dapat
memungkinkan digunakannya untuk
memprediksi probabilitas milik suatu kelas
disebut Naive Bayes. Untuk klasifikasi Bayes
sederhana dikenal sebagai Naïve Bayesian
Classifier mengasumsikan bahwa efek dari suatu
nilai atribut disebuah kelas tertentu tidak
tergantung pada atribut-atribut selainnya.
Penjelasan ini adalah class conditional
independence yang dibuat untuk memudahkan
perhitungan. (Sulaksono., Darsono, 2015).
Rumus persamaan menggunakan
metode Naïve Bayes dengan menggunakan
nilai Likelihood dari setiap fitur dihitung
menggunakan persamaan Distribusi
Gaussian Univariate:
(𝑥−µ𝑖 )2
1 −
𝑃(𝑋|𝐴)= 𝑒 2𝜎𝑖2
(1)
2𝜋𝜎 2
√ 𝑖
Keterangan:
P = Peluang
X = Data
A = Kelas
π = phi
σ = standar deviasi
i = fitur ke-
µ = mean
3. PERANCANGAN
Tahap perancangan ini dibagi 3 sub bab
yaitu perancangan perangkat keras, perancangan
skematik/ rangkaian perangkat keras dan
perancangan perangkat lunak. Untuk
perancangan perangkat keras akan dibahas
mengenai sistem dan perancangan sistem yang
dibangun pada penelitian ini. Skema desain
perangkat keras menggambarkan desain sensor
dalam penelitian ini. Sensor warna TCS3200,
Fakultas Ilmu Komputer, Universitas Brawijaya
2984
sensor HCHO dan outputnya akan ditampilkan
di layar LCD I2C 16x2 I2C. Desain perangkat
lunak menjelaskan penerapan metode Naïve
Bayes pada sistem Pada perancangan perangkat
lunak akan menjelaskan dalam menerapkan
metode Naïve Bayes pada sistem ini . Ini
bertujuan untuk mendeteksi data uji yang
diperoleh sebelumnya dari data latih oleh sensor
yang digunakan.
3.1. PERANCANGAN PERANGKAT
KERAS
Subbab ini akan menjelaskan tentang
perancangan diagram blok sistem perangkat
keras. Pada diagram blok ini terdapat dua sensor
yang dihubungkan dengan mikrokontroller
Arduino Uno ATMega328 yaitu sensor warna
TCS3200 dan sensor HCHO. Kedua sensor ini
membantu menangkap data input yang diproses
oleh mikrokontroler Arduino Uno ATMega328.
Hasil pengelohan data melewati layar LCD
16X2 I2C dan menampilkan hasil deteksi.
Gambar 1. Blok Diagram Sistem
3.2. PERANCANGAN SKEMATIK
PERANGKAT KERAS
Subbab ini menjelaskan struktur skema
masing-masing sensor, mikrokontroler, dan
komponen pendukung lainnya yang saling
terkait. Sensor yang digunakan adalah sensor
warna TCS3200, yang membaca data input
warna untuk tahu putih formalin dan non-
formalin, dan sensor formalin HCHO, yang
membaca data input rasa formalin yang
dihasilkan oleh tahu putih formalin dan tahu
putih nonformalin. Terhubung melalui
mikrokontroler Arduino Uno ATMega328.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2985

Pin SCL A5
VCC(Sumber Arus) 5V
GND(Ground) GND(Ground)

Tabel 3 di atas menjelaskan

penempatan masing-masing pin pada LCD
16x2 I2C. Modul I2C membantu meringkas
penggunaan LCD 16x2-pin, yang
Gambar 2. Skematik Perangkat Keras sebelumnya membutuhkan 16 pin, tetapi
saat menggunakan modul I2C, hanya
Pada Gambar 2 di atas, komponen masing- diperlukan 4 pin.
masing sensor dihubungkan ke mikrokontroler
atau papan proyek melalui masing-masing pin. 3.3 PERANCANGAN PERANGKAT
Di bawah ini adalah tabel pin untuk masing- LUNAK
masing komponen rangkaian di atas:
Bagian ketiga merupakan tahapan dari
Tabel 1. Pin Sensor TCS3200 merancang komponen atau perangkat lunak yang
dijelaskan dari flowchart dari mengetahui
Pin Sensor Pin Mikrokontroller
program pada sistem berjalan dari awal sistem
GND(Ground) GND (Ground) mendeteksi kadar tahu yang berformalin dengan
VCC(Sumber Arus) 5 Volt sensor input warna TCS3200, dan menggunakan
sensor HCHO hingga mendeteksi dengan
Pin S0 6
menggunakan metode Naïve Bayes dan akan
Pin S1 7 menampilkan hasil di layar output LCD 16x2
Pin S2 4 I2C.
Pin S3 3

Pin OE -
Pin OUT 5

Tabel 1. diatas menjelaskan penempatan

masing-masing pin pada sensor warna TCS3200
pada Arduino Uno ATMega328.

Tabel 2. Sensor HCHO

Pin Sensor Pin Mikrokontroller
SIG A0
NC -
GND(Ground) GND(Ground)
VCC(Sumber Arus) 5 Volt

Tabel 2. diatas menjelaskan penempatan

masing-masing pin pada sensor HCHO Arduino
Uno ATMega328.
Gambar 3. Flowchart Perancangan Data Input
Tabel 3. LCD I2C 16x2
Pin LCD Pin Mikrokontroller
Pin SDA A4

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Gambar 4. Flowchart Naïve Bayes
Proses menggunakan metode Naïve Bayes
bisa kita lihat pada flowchart gambar 4 di atas,
prosesnya dimulai dari pembacaan data sensor
terlebih dahulu setelah itu akan melakukan
pembacaan data latih. Setelah pembacaan data
latih didapat, lalu proses selanjutnya mencari
nilai probability prior setelah sudah didapat lalu
kita menghitung Gaussian lalu langkah
selanjutnya mencari nilai prob posterior. Hasil
dari prob prior, Gaussian, dan prob posterior
diproses hingga mendapatkan peluang tertinggi
hingga hasil deteksi jenis tahu.
Gambar 5. Flowchart Prob Prior
Fakultas Ilmu Komputer, Universitas Brawijaya
2986
Perhitungan dengan metode Naïve Bayes
dimulai dari perhitungan nilai prob prior dari
setiap masing - masing kelas jenis tahu. Nilai
prob prior bisa didapatkan dari mencari nilai
peluang dari kelas dibagi dengan nilai
keseluruhan data. Pada sistem ini nilai peluang
kelas ada dua yakni formalin dan non formalin.
Data nilai prob prior didapatkan dari data
training/latih.
Gambar 6. Flowchart Gaussian
Proses ini akan melakukan perhitungan
peluang masing - masing setiap fitur/parameter.
Sistem memiliki dua karakteristik yakni nilai
Red, Green , Blue dari sensor warna TCS3200
dan nilai aroma formalin ppm dari sensor
HCHO. Untuk dapat menghitung nilai
karaktersitik tersebut yang ada pada sistem,
maka sangat diperlukan perhitungan mean dan
standart deviasi.
Gambar 7. Flwchart Prob Posterior
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2987

Pada langkah ini prosesnya akan Tabel 4 Pengujian Metode Naive Bayes
menghitung nilai prob posterior. Untuk Peng R G B PPM Ha Hasil Aku
mendapatkan nilai prob posterior perlu ujian e re l sil Seben rasi
mengkalikan prob prior dengan Gaussian. Prob Ke d e u Sist arnya
posterior adalah peluang jenis tahu y terhadap n e em
nilai fitur x.
1 2 2 1 0.95 NF NF S
4. IMPLEMENTASI SISTEM 0 1 9
7 0 8
Implementasi sistem ini menjelaskan
perancangan perangkat keras dan perancangan 2 2 2 2 1.35 NF NF S
lunak pada rancangan sub bab sebelumnya. 1 0 0
3 5 0
4.2 IMPLEMENTASI PERANGKAT 3 2 2 1 0.85 NF NF S
KERAS 0 1 9
Selama tahap implementasi prototype, 6 0 8
alat ini menggunakan kotak box hitam kecil 4 2 2 2 0.79 NF NF S
sebagai tempat menyimpan Arduino dan 0 0 0
komponen lainnya. Untuk sensor HCHO dan 8 5 0
sensor TCS3200 berada diluar box untuk
5 2 2 2 1.24 NF NF S
membaca data tahu serta ada LCD untuk
1 0 0
menampilkan hasil proses hasil metode Naïve
2 8 0
Bayes.
6 2 2 2 3.67 F F S
2 2 1
8 2 9
7 2 2 2 8.47 F F S
3 2 1
0 3 5
8 2 2 2 3.21 F F S
2 2 1
5 9 4
9 2 2 2 1.36 F F S
Gambar 5.8 Tampilan Perangkat Dari Luar 3 2 2
3 7 0
4.3 IMPLEMENTASI PERANGKAT
LUNAK 10 2 2 2 1.20 F F S
2 2 1
Pada bagian ini akan merancang dan 4 7 5
mengaplikasikan kode program dari setiap
komponen-komponen yang ada seperti LCD
2x16 I2C, sensor HCHO, sensor TCS3200 dan Keterangan:
implementasi metode Naïve Bayes. Penggunaan NF = Non formalin
metode Naïve Bayes akan berdasarkan nilai
parameter yang dihasilkan dari nilai red, green, F = Formalin
blue, dan ppm. S = Sudah
5. PENGUJIAN B = Belum
Hasil pada pengujian akan dilakukan oleh Berdasarkan hasil pengujian sebanyak
sistem dan berikut adalah hasilnya yang 10 kali yang telah dilakukan pada tabel 4 maka
ditunjukan pada tabel 6 : rumus untuk menentukan akurasi adlaah sebagai
berikut :

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2988

Warna. Tugas Akhir

𝑠𝑒𝑙𝑢𝑟𝑢ℎ 𝑑𝑎𝑡𝑎−𝑑𝑎𝑡𝑎 𝑡𝑖𝑑𝑎𝑘 𝑠𝑒𝑠𝑢𝑎𝑖
Akurasi= 𝑥 100% (2 ) Setiawan W, Ratnasari S. 2014. Sistem Pakar
𝑠𝑒𝑙𝑢𝑟𝑢ℎ 𝑑𝑎𝑡𝑎
Diagnosis Penyakit Mata menggunakan
25−0
= 100% Naïve Bayes Classifier. Seminar Nasional
25
Sains dan Teknologi Universitas
100% Muhammadiyah Jakarta, 1
6. KESIMPULAN Sulaksono dan Darsono, 2015. Jurnal : “Sistem
Pakar Penentuan Penyakit Gagal Jantung
Kesimpulannya dari hasil pengujian yang
Menggunakan Metode Naïve Bayes
telah dilakukan di tabel 4. untuk mendapatkan
Classifier”, Universitas Nusantara PGRI
akurasi penggunaan metode naïve bayes maka
Kediri, Jurnal Teknologi Informasi
didapatkan akurasi yang sebesar 100% dari 10
Multimedia, Vol. 1, No. 1.
kali pengujian.

7. DAFTAR PUSTAKA
Harmayani, Eni dkk. 2009. Pemanfaatan Kultur
Pediococcus acidilactici F-11 Penghasil
Bakteriosin sebagai Penggumpal pada
Pembuatan Tahu. Jurnal Penelitian.
UGM. Vol 6 (1), 10-20.
Wahyuningsih, Sri., dkk. 2019. Buletin
Konsumsi Pangan. Pusat Data dan Sistem
Informasi Pertanian Sekretariat Jendral
Kementrian Pertanian. Vol 10 (1) 2019.
Halodoc. (2018). Hati-Hati Tahu Berformalin.
Retrieved from Halodoc. [Online]
Tersedia di:
https://www.halodoc.com/artikel/hati-
hati-bahaya-tahu-berformalin [Diakses 4
Februari 2022]
Badan POM. (2005). Formalin. Retrieved from
Badan POM. [Online] Tersedia di:
https://www.pom.go.id/new/view/more/b
erita/88/FORMALIN.htm#:~:text=Forma
lin%20adalah%20larutan%20yang%20ti
dak,dan%20banyak%20digunakan%20da
lam%20industri [Diakses 4 Februari
2022].
Satriawan, D., Fitriyah, H., & Budi, A. Sistem
Klasifikasi Tahu Putih Murni dan Tahu
Putih Mengandung Formalin
Menggunakan Metode K-Nearest
Neighbor. Jurnal Pengembangan
Teknologi Informasi dan Ilmu Komputer,
vol. 3, no. 10, p. 10287-10293, jan. 2020.
ISSN 2548-964X. Tersedia pada:
<https://j-ptiik.ub.ac.id/index.php/j-
ptiik/article/view/6658>. Tanggal Akses:
04 peb. 2022
Simamora, Joshwa., dkk. (2017). Rancang
Bangun Sistem Pendeteksi Kesegaran
Daging Berdasarkan Sensor Bau Dan

Fakultas Ilmu Komputer, Universitas Brawijaya