ACHMAD ILHAM FANANY AL ISYROFIE (2022) Electronic Nose (E-Nose) Berbasis Larik Sensor Gas Untuk Mendeteksi Penyakit Gingivits Dari Napas Manusia. Thesis thesis, Universitas Airlangga.

	Text (HALAMAN JUDUL) 082025053002_HALAMAN JUDUL.pdf Download (1MB)
	Text (BAB I) 082025053002_BAB I.pdf Download (316kB)
	Text (FULLTEXT) 082025053002_FULLTEXT.pdf Restricted to Registered users only Download (1MB) | Request a copy

Abstract

Tujuan Penelitian ini adalah dapat mendeteksi gingivitis secara non-invasif dengan mengukur derajat halitosis yang diambil dari sampel napas menggunakan Electronic Nose (E-nose). Pada penelitian ini sensor yang digunakan adalah 6 buah sensor Taguchi Gas Sensor (TGS). Saat proses pengujian dilakukan, semua sensor gas akan bereaksi dan mengeluarkan respon yang terbaca berupa tegangan besar pada software E-nose. Data yang diperoleh kemudian dikirim ke komputer untuk direkam melalui perangkat lunak E-nose data logger dan disimpan. pada komputer (PC). Data tersebut akan diproses menggunakan algoritma komputasi mulai dari ekstraksi fitur menggunakan Principal Component Analysis (PCA), klasifikasi menggunakan k-Nearest Neighbor (k-NN), Logistic Regression, dan Support Vector Machine (SVM). Metode validasi pengujian menggunakan metode K-Fold Cross Validation. Hasil pengujian respon sensor E-nose terhadap sampel menunjukkan bahwa E-nose mampu mendeteksi sampel napas sehat dan gingivitis. Sensor TGS 2611 memberikan respon kenaikan tegangan tertinggi sebesar 1,05 V. Hasil persentase varians kumulatif menunjukkan bahwa metode PCA tidak dapat melakukan ekstraksi fitur dengan baik karena hasil persentase varians kumulatif sebesar 19,64% tidak memenuhi yang telah ditetapkan. standar. Metode machine learning yang menggunakan initial set sebagai fitur memiliki performa lebih tinggi dibandingkan metode machine learning yang menggunakan PCA sebagai metode ekstraksi fitur dengan performa tertinggi berturut-turut adalah metode k-NN, SVM, dan Logistic Regression dengan 91.11%, 90.00%, dan 87.77 % akurasi. Sementara itu, metode machine learning yang menggunakan PCA sebagai metode ekstraksi fitur menunjukkan kinerja terbaik berturut-turut adalah metode k-NN, SVM, dan Logistic Regression dengan akurasi 83,33%, 82,22%, dan 71,11%. Secara keseluruhan, metode k-NN menunjukkan performa terbaik dalam proses klasifikasi gingiva sehat dan gingivitis.

Actions (login required)

View Item