Identifikasi Parameter Kualitas Bahan Pangan dengan Metode Entropy-Based Subset Selection (E-SS) (Studi Kasus: Minuman Anggur)
DOI:
https://doi.org/10.25126/jtiik.20241116850Kata Kunci:
Identifikasi Parameter, Pembelajaran Mesin, Pemilihan Sub-himpunan, Pohon KlasifikasiAbstrak
Penelitian ini bertujuan untuk membangun sebuah algoritma yang dapat mengidentifikasi parameter dari bahan pangan yang mempengaruhi kualitas dari bahan makanan tersebut menggunakan algoritma pemilihan himpunan bagian berbasis entropi dan metode pohon klasifikasi dari pembelajaran pohon keputusan. Metode pemilihan himpunan bagian berbasis entropi secara khusus merupakan sebuah algoritma yang bertujuan untuk memilih sekumpulan dari parameter yang memiliki hubungan entropi yang baik satu sama lain, sehingga dapat menghasilkan model prediktif yang optimal. Untuk memvalidasi performa dari algoritma yang digagas, penelitian ini mengambil sampel dari minuman anggur merah dan putih yang berasal dari negara Portugal. Berdasarkan pada percobaan yang telah dilakukan, diperoleh hasil bahwa algoritma yang digagas dapat memprediksi kualitas dari anggur putih dengan akurasi hingga 97,8 % dan 96,25% untuk kualitas anggur merah. Dimana, nilai ini lebih tinggi dari metode pohon klasifikasi klasik, dan algortima yang digagas hanya membutuhkan jumlah parameter yang lebih sedikit ( hanya 2 hingga 5 dari total 11 parameter input yang ada) jika dibandingkan dengan metode klasik. Lebih lanjut, berdasarkan pada percobaan yang telah dilakukan, diperoleh temuan bahwa parameter yang paling menentukan kualitas dari anggur putih adalah tingkat keasaman, kadar alkohol, pH dan kandungan klorit. Sedangkan untuk anggur merah, kualitas secara dominan ditentukan oleh kandungan sisa gula, densitas minuman dan kandungan dari sulfur oksida.
Downloads
Referensi
BREIMAN, L., FRIEDMAN, J. H., OLSHEN, R. A. & STONE, C. J., 2017. Classification and regression trees. s.l.:Routledge.
DE LORYN, L. C. et al., 2014. Evaluation of sensory thresholds and perception of sodium chloride in grape juice and wine. American Journal of Enology and Viticulture, 65(1), pp. 124-133.
EDELMANN, D., MORI, T. F. & SZEKELY, G. J., 2021. On relationships between the Pearson and the distance correlation coefficients. Statistics & Probability Letters, Volume 169, p. 108960.
GOMES, H. M. et al., 2019. Machine learning for streaming data: state of the art, challenges, and opportunities. ACM SIGKDD Explorations Newsletter, 21(2), pp. 6-22.
JIANG, X., ZHANG, X. & ZHANG, Y., 2021. Establishment and optimization of sensor fault identification model based on classification and regression tree and particle swarm optimization. Materials Research Express, 8(8), p. 085703.
KASSARA, S. & KENNEDY, J. A., 2011. Relationship between red wine grade and phenolics. 2. Tannin composition and size. Journal of Agricultural and Food Chemistry, 59(15), pp. 8409-8412.
LEWIS, R. J., 2000. An introduction to classification and regression tree (CART) analysis. s.l., Citeseer.
LOH, W.-Y., 2011. Classification and regression trees. Wiley interdisciplinary reviews: data mining and knowledge discovery, 1(1), pp. 14-23.
MORE, A. & RANA, D. P., 2017. Review of random forest classification techniques to resolve data imbalance. s.l., IEEE, pp. 72-78.
MOSAVI, A. et al., 2019. State of the art of machine learning models in energy systems, a systematic review. Energies, 12(7), p. 1301.
PANJAITAN, S. D. et al., 2022. A Forecasting Approach for IoT-Based Energy and Power Quality Monitoring in Buildings. IEEE Transactions on Automation Science and Engineering.
PAULO, C. et al., 2009. Modeling wine preferences by data mining from physicochemical properties. Decision Support Systems, 47(4), pp. 547-553.
RAI, P. K. et al., 2019. Heavy metals in food crops: Health risks, fate, mechanisms, and management. Environment international, Volume 125, pp. 365-385.
REN, Q. et al., 2021. Prediction of compressive strength of concrete with manufactured sand by ensemble classification and regression tree method. Journal of Materials in Civil Engineering, 33(7).
SARAVANAN, R. & SUJATHA, P., 2018. A state of art techniques on machine learning algorithms: a perspective of supervised learning approaches in data classification. Madurai, India, IEEE, pp. 945-949.
SMARRA, F., TJEN, J. & D'INNOCENZO, A., 2022. Learning methods for structural damage detection via entropy-based sensors selection. International Journal of Robust and Nonlinear Control, 32(10), pp. 6035-6067.
SUPRIYADI, R., GATA, W., MAULIDAH, N. & FAUZI, A., 2020. Penerapan Algoritma Random Forest Untuk Menentukan Kualitas Anggur Merah. E-Bisnis: Jurnal Ilmiah Ekonomi Dan Bisnis, 13(2), pp. 67-75.
TAPSELL, L. C., NEALE, E. P., SATIJA, A. & HU, F. B., 2016. Foods, nutrients, and dietary patterns: interconnections and implications for dietary guidelines. Advances in Nutrition, 7(3), pp. 445-454.
TJEN, J., SMARRA, F. & D’INNOCENZO, A., 2020. An entropy-based sensor selection algorithm for structural damage detection. Online Virtual Meeting, s.n.
VILELA, A., 2019. Use of nonconventional yeasts for modulating wine acidity. Fermentation, 5(1), p. 27.
ZHANG, D., 2017. A coefficient of determination for generalized linear models. The American Statistician, 71(4), pp. 310-316.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2024 Jurnal Teknologi Informasi dan Ilmu Komputer
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Artikel ini berlisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
Penulis yang menerbitkan di jurnal ini menyetujui ketentuan berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).
