KLASIFIKASI AROMA TEMBAKAU MENGGUNAKAN LEARNING VECTOR QUANTIZATION

Arif, M Nurul (2019) KLASIFIKASI AROMA TEMBAKAU MENGGUNAKAN LEARNING VECTOR QUANTIZATION. undergraduate thesis, Universitas Muhammadiyah Gresik.

Preview	Text 2.ABSTRAK-dikonversi.pdf Download (29kB) | Preview
Preview	Text 3. BAB 1-dikonversi.pdf Download (99kB) | Preview
Preview	Text 4. BAB II.-dikonversi.pdf Download (686kB) | Preview
Preview	Text 5. BAB III-dikonversi.pdf Download (584kB) | Preview
	Text 6. BAB IV-dikonversi.pdf Restricted to Repository staff only Download (403kB)
Preview	Text 7. BAB V-dikonversi.pdf Download (38kB) | Preview
Preview	Text 8. DAFTAR PUSTAKA-dikonversi.pdf Download (93kB) | Preview

Abstract

Aroma tembakau ditentukan oleh kandungan gas-gas atau jumlah campuran bahan organik yang mudah menguap dan tidak mudah menguap. Proses penentuan sebelumnya telah di lakukan dengan metode analistis konvensional,yang melibatkan kombinasi antara manusia dan instrumentasi sekala besar. Metode ini sangat mahal dalam kaitannya dengan waktu dan tenaga kerja, karena membutuhkan peralatan yang sangat komplek dan tingkat ketelitian dari analisa yang di lakukan oleh ahli tembakau pada saat tertentu, karena indra penciuman ahli tembakau menjadi sangat rendah pada saat tertentu. karena indra penciuman manusia sangat tergantung pada kelembaban, suhu dan kondisi fisik. Oleh sebab itu di buatlah alat yang dapat mendekati dari hasil penciuman para ahli tembakau. Dengan mengalirkan gas yang di hasilkan tembakau ke deret sensor untuk dideteksi dan di lakukan proses sinyal analog menjadi sinyal digital (ADC). Setelah proses ADC, data akan di kirim ke pc melalui komunikasi serial untuk di lakukan proses pelatihan neural network menggunakan learning vector quantization untuk menentukan bobot dari jaringan neural network kemudian hasil dari pelatihan digunakan untuk klasifikasi tembakau yang diterima dan ditolak. Dari hasil pengujian sistem ini dapat mengidentifikasi tembakau yang diterima dan tembakau yang ditolak dengan tingkat ke akuratan 93,3%.

Item Type:	Thesis (undergraduate)
Subjects:	Engineering > Electronical Engineering Engineering
Divisions:	Faculty of Engineering > Electronical Engineering Study Program
Depositing User:	tri risdianto saifullah
Date Deposited:	29 Aug 2019 12:09
Last Modified:	18 Jul 2021 02:02
URI:	http://eprints.umg.ac.id/id/eprint/2920

Actions (login required)

View Item