WIDODO, Sarah Jessica Nauly (2026) Perbandingan Kinerja antara Arsitektur Lightweight 1 Dimensional Convolutional Neural Network (1D-CNN) dan Gated Recurrent Unit (GRU) pada Electronic Nose untuk Autentikasi Sumber Gelatin. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Archive (FULL TEXT) Naskah Skripsi Per Bab Sarah (terbaru).zip Restricted to Repository staff only Download (9MB) | Request a copy
	Text 1. Cover.pdf Download (536kB)
	Text 4. Halaman Pengesahan.pdf Download (623kB)
	Text 6. Kata Pengantar.pdf Download (506kB)
	Text 7. Daftar Isi.pdf Download (254kB)
	Text 14. Abstrak.pdf Download (225kB)
	Text 15. Abstract.pdf Download (223kB)
	Text 16. Bab I Pendahuluan.pdf Download (256kB)
	Text 21. Daftar Pustaka.pdf Download (241kB)

Abstract

Autentikasi kehalalan gelatin dalam industri pangan dan farmasi menuntut
adanya instrumen skrining cepat portabel seperti Electronic Nose (E-Nose).
Namun, penggunaan deret sensor gas Metal-Oxide Semiconductor (MOS)
dihadapkan pada masalah sensitivitas silang (cross-sensitivity), yang menyebabkan
tumpang tindih pola sinyal transien ekstrem antara gelatin sapi dan ikan. Penelitian
ini bertujuan membandingkan kinerja ekstraksi fitur spasial 1-Dimensional
Convolutional Neural Network (1D-CNN) melawan pelacakan fitur temporal
sekuensial Gated Recurrent Unit (GRU) dalam mengklasifikasikan kelas gelatin
(babi, sapi, ikan). Komparasi ini dilakukan karena 1D-CNN mewakili pendekatan
pengenalan pola statis yang rentan kehilangan informasi waktu, sementara GRU
mewakili pelacakan dinamis yang mampu mempertahankan riwayat laju adsorpsi
gas secara utuh sekaligus menekan kompleksitas parameter sebagai algoritma
ringan (lightweight). Akuisisi data dilakukan terhadap 24 sampel fisik murni selama
120 detik menggunakan delapan kanal sensor MOS. Metode pra-pemrosesan
meliputi koreksi baseline fraksional, standardisasi Z-Score, pembagian rasio uji
80:20, serta augmentasi sliding window berukuran 90 untuk memperbanyak variasi
data matriks. Hasil pengujian menunjukkan bahwa arsitektur 1D-CNN gagal
membedakan kelas sapi dan ikan dengan tingkat salah tebak 50% dan akurasi akhir
hanya 0,60. Kegagalan ini dipicu oleh operasi perataan matriks (Flattening) yang
menghancurkan memori kronologis rambatan gas. Sebaliknya, mekanisme gerbang
memori pada GRU berhasil mengekstrak deviasi laju adsorpsi gas, menembus titik
buta sensitivitas silang, dan mencapai akurasi mutlak 1,00 (100%). Secara
kuantitatif pada beban memori, model GRU terkompresi menjadi hanya 6.403
parameter, 14,5 kali lebih efisien dibandingkan 1D-CNN yang mengalami lonjakan
komputasi hingga 93.347 parameter. Kesimpulannya, GRU terbukti sebagai model
lightweight paling superior secara analitik dan siap direalisasikan pada ruang
memori Static Random-Access Memory (SRAM) mikrokontroler portabel.
Kata Kunci: 1-Dimensional Convolutional Neural Network, Electronic Nose,
Gated Recurrent Unit, Gelatin, Lightweight, Sensitivitas Silang.

(NO. KETERSEDIAAN : 2246/D/2026)

Actions (login required)

View Item