BERBASIS SIFAT LISTRIK

APPLICATION OF ELECTRICAL PROPERTIES FOR PREDICTION CONTAMINATION LARD IN BEEF

Abstrak

Pengembangan teknik deteksi lemak babi dari lemak pangan lain sangat penting. Hal ini terkait kasus pencampuran lemak babi pada lemak pangan lain dalam industri pangan untuk mengurangi biaya produksi dan alasan citra rasa. Sifat listrik, yang dipengaruhi komposisi bahan, dapat digunakan membedakan lemak babi dari lemak pangan lain. Banyak atribut hasil akuisisi pengukuran sifat listrik perlu diperlakukan dengan pilihan preprocessing yang tepat. Berikutnya, pilihan teknik klasifikasi berkontribusi pada akurasi klasifikasi dan waktu komputasi. Hasilnya menunjukkan bahwa kombinasi preprocessing dan teknik klasifikasi mampu membedakan lemak babi dari lemak sapi dan minyak goreng sawit. Normalisasi berperan nyata meningkatkan akurasi klasifikasi. Deteksi lemak babi terbaik diperoleh dari preprocessing normalisasi dan teknik klasifikasi

multilayer perceptron (MLP) dengan hidden layer 8. Teknik ini menghasilkan kinerja klasifikasi tertinggi (akurasi klasifikasi 87,52%, root mean squared error (RMSE) 0,2394, dan waktu komputasi 21,00±0,17 detik). Hasil riset ini dapat mendukung pengembangan sensor lemak babi pada lemak pangan lain berbasis sifat listrik dan teknik klasifikasi.

Kata kunci:Preprocessing, teknik klasifikasi, sifat listrik, sensor lemak babi Differentiability Evaluation Data Preprocessing

and Classification Techniques of Lard, Beef Tallow and Palm Oil Based on Electrical Properties

Abstract

The development of lard detection techniques from other edible fats is very important. It is related to the case of mixing lard into other edible fats in the food industry to reduce production costs and to get flavors. Electrical properties, that are influenced composition of material, can be used to distinguish lard from other edible fats. Many attributes resulted from electrical properties measurements need to be treated with appropriate preprocessing. Therefore, selected classification technique contributes to classification accuracy and computation time. The results showed that the combination of preprocessing and classification technique can distinguish lard from tallow and palm oil. Normalization procedure has a major role the accuracy of accelerate classification. Best detection was obtained from the normalization preprocessing and classification technique multilayer perceptron (MLP) with 8 hidden layer. This technique produced the highest classification performance (by accuracy classification of 87,52%, root mean squared error (RMSE) of 0,2394 and the computation time of 21,00±0,17 seconds). Furthermore, these results can support the development of lard sensor in other edible fat based on electrical properties and classification technique.

Pendahuluan

Deteksi pencampuran satu bahan dengan bahan lain penting dalam industri pangan. Diantaranya, campuran lemak babi pada lemak pangan lain. Beragam teknik dikembangkan untuk analisis lemak dan daging babi. Diantaranya

differential scanning calorimetry (Coni et al. 1994), gas chromatography (Farag

et al. 1983) Comprehensive gas chromatography hyphenated with time-of-flight mass spectrometry (Indrastri et al. 2010), high performance liquid chromatography (Marikkar et al. 2005). Selain itu, DNA-based methods (Aida et al. 2005), electronic nose (Che Man et al. 2005), dan Fourier transform infrared (FTIR) spectroscopy (Jaswir et al. 2003; Rohman dan Che Man 2010).

Akhir-akhir ini, sifat listrik digunakan membedakan lemak dilihat dari aspek kemurnian dan kualitasnya. Sifat dielektrik adalah parameter utama yang memberikan informasi tentang interaksi bahan dengan energi elektromagnetik. Sifat dielektrik pada beragam bahan pangan dibutuhkan untuk memahami perilaku bahan ketika dimasukkan ke medan elektromagnetik, pada frekuensi dan suhu tertentu (Sosa-Morales et al. 2010). Sifat ini memberikan informasi tentang interaksi diantara bahan pangan dan medan listrik (Ikediala et al. 2000). Sifat dielektrik terpenting adalah konstanta dielektrik dan faktor kehilangan dielektrik. Konstanta dielektrik adalah ukuran kemampuan bahan menyimpan energi listrik, dan faktor kehilangan dielektrik adalah kemampuan untuk mengubah energi elektromagnetik menjadi panas (Turabi et al. 2010). Sifat dielektrik bahan dipengaruhi frekuensi, suhu, kadar air, densitas, komposisi, dan struktur materi (Castro-Giraldez et al. 2010). Pangan memiliki sifat dielektrik dan polarisasi non ideal yang ditentukan oleh fenomena disipasi, adsorpsi energi, dan kerusakan yang memengaruhi konstanta dielektrik (Venkatesh dan Raghavan 2004). Kandungan lemak susu segar dievaluasi berdasar parameter dielektrik, yaitu konduktansi dan kapasitansi (Zywica et al. 2012). Pemalsuan susu dan susu skim dideteksi dengan konduktansi (Mabrook dan Patty 2003). Perubahan susu selama proses produksi dievaluasi melalui pengukuran impedansi dan kapasitansi (Zywica dan Budny, 2000).

Untuk meningkatkan akurasi dan kecepatan klasifikasi perlu preprocessing

data mentah sifat listrik sebelum dianalisis lebih lanjut, karena data mentah mengandung gangguan (noise), kesalahan (error), perulangan, dan outlayer.

Preprocessing terkait proses seleksi, pembersihan, dan transformasi data mentah. Dengan preprocessing data hasil pengukuran akan lebih berkualitas sehingga menghasilkan analisis lebih akurat ketika diproses dengan berbagai teknik klasifikasi. Kotsiantis et al. (2006) menyatakan suksesnya klasifikasi menggunakan teknik klasifikasi terkait kualitas data.

Aplikasi pembedaan mutu dan kemurnian produk pertanian dan pangan telah dilakukan. Teknik yang digunakan dalam klasifikasi antara lain, linear discrimination analysis, hidden markov model, metode kecerdasan buatan seperti

artificial neural network (ANN), dan support vector machine (SVM).

Riset ini bertujuan mengevaluasi kinerja berbagai preprocessing dan teknik klasifikasi untuk pembedaan (klasifikasi) lemak babi dari lemak pangan lain berbasis sifat listrik. Teknik preprocessing menggunakan diskritisasi dan normalisasi dibandingkan tanpa preprocessing. Teknik preprocessing tersebut dikombinasikan teknik-teknik klasifikasi seperti naive bayes, simple logistic,

decision tree C4.5, support vector machine (SVM), dan multilayer perceptron

(MLP) dengan beberapa variasi. Harapannya didapatkan pilihan kombinasi

preprocessing dan teknik klasifikasi yang tepat dengan kinerja klasifikasi tinggi.

Metode Penelitian Persiapan sampel

Sampel lemak babi dan lemak sapi diekstraksi dari jaringan adiposa babi dan sapi dengan rendering pada 90-100oC selama 2 jam (Marikkar et al. 2002). Masing-masing lemak yang meleleh dikumpulkan dan disaring melalui kain saring. Minyak sawit diperoleh dari pasar dengan spesifikasi dan merk tertentu. Setiap lemak dikeringkan dengan Natrium Sulfat anhydrous. Kemudian, sampel disimpan dalam freezer (-20oC) sebelum dianalisis lebih lanjut.

Pengukuran sifat listrik

Konduktansi, impedansi, dan kapasitansi setiap sampel diukur menggunakan 3532-50 LCR HiTESTER (Hioki) yang mampu mengukur pada frekuensi 42,00 Hz sampai 5,00 MHz. Pengukuran dilakukan pada suhu kamar 26-27oC dan frekuensi 4,20 MHz sampai 5,00 MHz pada 81 titik frekuensi sebanyak 3 kali. Konduktansi diukur dalam satuan nano Siemens (nS), kapasitansi dalam nano Farad (nF) dan impedansi dalam Mega Ohm (MΩ). Setiap sampel ditempatkan dalam keping sejajar dari tembaga berukuran 20 mm x 10 mm dengan jarak 5 mm.

Perangkat lunak pengujian data

Komputasi dilakukan dengan beberapa program. Program Microsoft exel untuk mempersiapkan data dari extensi Lib hasil akuisisi komputer ke xls dan csv sehingga dapat diproses menggunakan program data mining. Pemilihan

preprocessing dan teknik klasifikasi dengan program Weka 3.6 (Waikato University 2012, open source) dapat diunduh di www.cs.waikato.ac.nz/ml/weka/.

Data sifat listrik sampel lemak babi, lemak sapi, dan minyak goreng sawit diuji dengan 10-fold cross validation (validasi silang) yaitu metode untuk memperkirakan akurasi klasifikasi atau model regresi. Data set (kumpulan data) dibagi menjadi beberapa bagian, dengan setiap bagian digunakan untuk menguji model (Witten et al. 2011).

Evaluasi kinerja preprocessing dan teknik-teknik klasifikasi

Hasil pengukuran sifat listrik, dilakukan preprocessing menggunakan diskritisasi dan normalisasi. Normalisasi min-maks dengan Persamaan 6.1. X - Xmin

Xn = ___________________ ... (6.1)

Xmaks - Xmin

Dimana, Xn : nilai baru hasil nomalisasi

X : nilai awal sebelum normalisasi Xmin : Nilai minimum sebelum normalisasi Xmaks : Nilai maksimum sebelum normalisasi

Teknik preprocessing tersebut dikombinasikan dengan teknik-teknik klasifikasi seperti naive bayes, simple logistic, decision tree C4.5, support vector machine (SVM) dengan berbagai jenis kernel, dan multilayer perceptron (MLP) dengan beberapa variasi hidden layer. Kinerja klasifikasi dinilai berdasar persen akurasi klasifikasi, root mean squared error (RMSE) dan rerata waktu komputasi (dalam detik) 5 kali running dan standar deviasinya.

Pengujian dilakukan dengan komputer dengan sistem operasi Windows XP Professional, model sistem M7x0S, BIOS revision:1.00.15AX. Prosesor Pentium(R) Dual-Core CPU T4300 @ 2.10GHz (2 CPUs) dengan memori 1918 MB RAM.

Hasil dan Pembahasan

Spektrum lemak babi, lemak sapi, dan minyak goreng sawit

Untuk mendukung klasifikasi data hasil pengukuran sifat listrik, terlebih dahulu dilakukan preprocessing sehingga mengurangi noise yang berpengaruh pada proses klasifikasi. Keseluruhan penanganan data seperti Gambar 6.1.

Data mentah

Naive bayes

Simple logistic

Support vector machine (SVM)

Tanpa

preprocessing

Diskritisasi Normalisasi

Decision tree C4.5

Multi layer perceptron (MLP)

Gambar 6.1 Proses pemilihan preprocessing dan teknik klasifikasi

Preprocessing normalisasi digunakan karena satuan masing-masing parameter sifat listrik sangat berbeda. Misalnya, konduktansi bernilai sekitar 21400-23700 nS, kapasitansi bernilai sekitar 0,00075-0,00130 nF, dan impedansi bernilai sekitar 0,0345-0,03180 MΩ. Diskritisasi membuat data kontinyu menjadi diskrit sehingga membantu proses klasifikasi berikutnya.

Sebagai contoh, data mentah hubungan frekuensi dengan konduktansi terlihat pada Gambar 6.2. Dengan normalisasi nilai konduktansi diubah dalam skala 0-1 menggunakan Persamaan 6.1.

Gambar 6.2 Pengaruh frekuensi terhadap konduktansi lemak babi, lemak sapi, dan minyak goreng sawit

Data mentah sebagai masukan preprocessing yang terdiri atas sifat listrik konduktansi, impedansi, dan kapasitansi pada frekuensi 4,20 sampai 5,00 MHz dengan jumlah data set seperti Tabel 6.1.

Tabel 6.1. Keterangan data masukan Data set Jumlah data

Frekuensi 729

Konduktansi 729

Impedansi 729

Kapasitansi 729

Jumlah instance 729 digunakan untuk klasifikasi lemak babi, lemak sapi, dan minyak goreng sawit dengan preprocessing diskritisasi dan normalisasi, serta berbagai teknik klasifikasi.

Pengaruh preprocessing terhadap kinerja klasifikasi

Perbandingan berbagai teknik preprocessing dan teknik klasifikasi ditunjukkan Tabel 6.2. Tabel tersebut memperlihatkan akurasi klasifikasi, kesalahan, dan waktu komputasi masing-masing.

Pilihan preprocessing menentukan akurasi klasifikasi dan waktu komputasi. Normalisasi menghasilkan akurasi setara dengan tanpa preprocessing (data mentah) dan lebih tinggi dibanding diskritisasi. Tabel 6.2 menunjukkan pada teknik klasifikasi decision tree C4.5, preprocessing normalisasi menghasilkan akurasi klasifikasi 85,60%, tanpa preprocessing 85,73%, sedang menggunakan diskritisasi 82,03%. Al-Salabi et al. (2006) mampu meningkatkan akurasi menggunakan normalisasi min-maks.

Dari waktu komputasi, diskritisasi menyebabkan waktu komputasi terlama, disusul yang lebih cepat tanpa preprocessing dan normalisasi. Misalnya, pada teknik klasifikasi simple logistic, dengan preprocessing diskritisasi membutuhkan waktu komputasi 75,54±0,11 detik, sedang tanpa preprocessing perlu waktu 56,90±0,42 detik, dan normalisasi perlu waktu 56,86±0,37 detik. Contoh lain,

21000 21500 22000 22500 23000 23500 24000 4 ,2 0 4 ,2 6 4 ,3 2 4 ,3 8 4 ,4 4 4 ,5 0 4 ,5 6 4 ,6 2 4 ,6 8 4 ,7 4 4 ,8 0 4 ,8 6 4 ,9 2 4 ,9 8 K ond ukt a nsi ( nS ) Frekuensi (MHz)

Minyak goreng sawit Lemak sapi

MLP dengan hidden layer 4, dengan diskritisasi memerlukan waktu komputasi 195,71±0,58 detik, tanpa preprocessing perlu 12,92±0,12 detik, dan menggunakan normalisasi membutuhkan waktu 12,68±0,02 detik.

Tabel 6.2 Akurasi, RSME, dan waktu komputasi pembedaan lemak pangan menggunakan variasi preprocessing dan teknik klasifikasi

Preprocessing Teknik Klasifikasi

Kinerja Klasifikasi Waktu komputasi (detik) Akurasi Klasifikasi (%) RMSE

Data mentah Naive bayes 0,86 ± 0,05 61,45 0,4100

Simple logistic 56,90 ± 0,42 59,53 0,4337 Decision tree C4.5 1,02 ± 0,42 85,73 0,2836 LibSVM RBF 3,13 ± 0,69 47,74 0,5903 Sigmoid 3,00 ± 0,14 32,92 0,6687 MLP a=(atribut+kelas)/2 12,92 ± 0,12 82,85 0,2957 i=atribut=5 14,74 ± 0,13 86,42 0,2592 o=kelas=3 12,49 ± 0,09 82,85 0,2957 t=atribut+kelas=8 21,45 ± 0,20 87,52 0,2394

Diskritisasi Naive bayes 0,77 ± 0,06 53,50 0,4156

Simple logistic 75,54 ± 0,11 78,88 0,3311 Decision tree C4.5 1,18 ± 0,28 82,03 0,3030 LibSVM RBF 1,69 ± 0,17 83,26 0,3340 Polinomial 159,23 ± 0,85 79,56 0,3691 Linier 2,48 ± 0,03 45,68 0,6018 Sigmoid 2,70 ± 0,22 30,18 0,6823 MLP a=(atribut+kelas)/2 195,71 ± 0,58 81,48 0,3120 i=atribut=5 364,31 ± 0,32 82,58 0,3085 o=kelas=3 36,49 ± 0,16 79,15 0,3311 t=atribut+kelas=8 389,45 ± 0,65 81,89 0,3099

Normalisasi Naive bayes 0,56 ± 0,12 61,45 0,4100

Simple logistic 56,86 ± 0,37 59,53 0,4337 Decision tree C4.5 1, 45 ± 0,33 85,60 0,2879 LibSVM RBF 1,91 ± 0,09 62,83 0,4978 Polinomial 4,89 ± 0,28 48,70 0,5848 Linier 1,68 ± 0,07 37,59 0,6451 Sigmoid 2,35 ± 0,17 34,98 0,6584 MLP a=(atribut+kelas)/2 12,68 ± 0,02 82,85 0,2957 i=atribut=5 14,19 ± 0,07 86,42 0,2592 o=kelas=3 12,43 ± 0,04 82,85 0,2957 t=atribut+kelas=8 21,00 ± 0,17 87,52 0,2394

Keterangan: Waktu komputasi (RT : Running Time) RMSE : Root Mean Squared Error

Akurasi klasifikasi (CC:corectly classification) Total Number of Instance 729

Pengaruh teknik klasifikasiterhadap kinerja klasifikasi

Pilihan teknik klasifikasi menentukan akurasi klasifikasi dan waktu komputasi. Misalnya, teknik klasifikasi decision tree C4.5 cukup baik, karena memiliki akurasi klasifikasi relatif tinggi dalam waktu singkat. Penggunaan

decision tree C4.5 tanpa preprocessing menghasilkan akurasi 85,73%, dengan

preprocessing normalisasi 85,60%, dan dengan diskritisasi 82,03%. Decision tree C4.5 mengklasifikasikan data ke dalam tree tertentu sesuai dengan urutan atribut yang dominan. Garofalakis et al. (2003) menyatakan decission tree memiliki 2

61 jenis simpul, yakni pertama simpul akar dan simpul internal yang terkait dengan atribut, serta kedua simpul daun yang terkait kelas.

Penggunaan decision tree C4.5 tanpa preprocessing dengan atribut frekuensi, konduktansi, impedansi, kapasitansi membentuk 39 rules. Konduktansi paling dominan dalam proses pembedaan antar lemak sehingga menjadi simpul akar. Konduktansi <= 22933 sebagai simpul awal berkontribusi 87,18% dari 39 total rules, sedang sisanya yaitu 12,82% rules dimulai dari konduktansi > 22933. Contoh tree yang membentuk sebagian rules seperti Gambar 6.3.

| | Konduktansi <= 22132: Lemak sapi (99.0) | | Konduktansi > 22132

| | | | | | Impedansi <= 0.02904: Minyak goreng sawit (5.0) | | | | | | Impedansi > 0.02904: Lemak sapi (2.0)

| | | | | | | Konduktansi <= 22865: Minyak goreng sawit (15.0) | | | | | | | Konduktansi > 22865: Lemak sapi (10.0/3.0) Konduktansi > 22933

| Impedansi <= 0.02666

| | Frekuensi <= 4.56

| | | Konduktansi <= 23163: Lemak babi (33.0/7.0) | | | Konduktansi > 23163: Lemak sapi (12.0/3.0) | | Frekuensi > 4.56: Lemak babi (51.0/1.0)

Gambar 6.3 Contoh tree pembentuk sebagian rules penggunaan

decision tree C4.5 tanpa preprocessing

Akurasi klasifikasi teknik MLP dengan hidden layer (atribut+kelas=8) menghasilkan kinerja tertinggi (akurasi 87,52% dan RMSE 0,2394), disusul MLP dengan hidden layer (atribut=5) dengan akurasi 86,42% dan RMSE 0,2592. Teknik klasifikasi dengan akurasi tertinggi berikutnya simple logistic tanpa

preprocessing dengan akurasi 85,73%. LibSVM yang dikembangkan Chang dan Lin (2001) dipadu preprocessing normalisasi memiliki akurasi 83,26%.

Nilai akurasi menggunakan teknik MLP dipengaruhi jumlah hidden layer

dengan pembobotan tertentu (Wkij). Hubungan input, hiden layer, dan output

dalam MLP untuk klasifikasi lemak berdasar sifat listrik terlihat pada Gambar 6.4.

Frekuensi Konduktansi Impedansi Kapasitansi Minyak goreng sawit Lemak sapi Lemak babi

.

W1ij W2_ij _W3 ij Input (Simpul i) Output (Simpul k) hidden layer (Simpul j)

Gambar 6.4 Hubungan input, hidden layer, dan output dalam MLP untuk klasifikasi lemak berdasar sifat listrik Wkij adalah bobot terkait simpul i dalam layer k-1 ke

simpul j dalam layer k

Gambar 6.4 menunjukkan input 3 sifat listrik pada berbagai frekuensi diproses melalui teknik klasifikasi MLP dengan hidden layer berbeda dan bobot tertentu memperoleh akurasi, RSME, dan waktu komputasi berbeda (Tabel 6.2). Waktu komputasi teknik klasifikasi MLP paling lama dibanding teknik klasifikasi lain. MLP pada preprocessing diskritisasi dengan hidden layer (atribut=8) perlu waktu komputasi 389,54±0,65 detik. Teknik klasifikasi LibSVM dengan kernel polinomial selama 159,23±0,85 detik dan simple logistic perlu 75,54±0,11 detik.

Pilihan kernel dalam LibSVM menentukan akurasi klasifikasi, waktu komputasi, dan RMSE. Klasifikasi lemak babi, lemak sapi, dan minyak goreng sawit menggunakan kernel RBF memiliki akurasi terbaik dibanding kernel lain. Tabel 6.2 menunjukkan preprocessing diskritisasi LibSVM dengan kernel RBF menghasilkan akurasi klasifikasi 83,26%, waktu komputasi 1,69±0,17 detik, dan RSME 0,3340. Nilai akurasi LibSVM dengan kernel polinomial 79,56%, linier 45,68%, dan sigmoid 30,18%. Hsu et al. (2003) menyatakan kernel RBF rasional dipilih pertama kali, karena mampu memetakan secara nonlinier suatu sampel ke dalam ruang dimensi lebih tinggi dan tidak seperti kernel linier. Kernel RBF mampu menangani kasus hubungan antara kelas dan atribut nonlinier.

63 Secara umum dalam riset ini, preprocessing normalisasi dan teknik klasifikasi multilayer perceptron memiliki keunggulan karena menghasilkan akurasi tertinggi dan membutuhkan waktu komputasi relatif cepat.

Simpulan dan Saran Simpulan

Riset ini menunjukkan pilihan preprocessing dan teknik klasifikasi menghasilkan kinerja klasifikasi, yakni akurasi, waktu komputasi, dan root mean squared error (RMSE) beragam. Normalisasi meningkatkan akurasi pembedaan lemak babi dari lemak sapi, dan minyak goreng sawit. Dalam kasus ini, diskritisasi kurang cocok digunakan karena menghasilkan akurasi terendah dan waktu komputasi terlama. Penggunaan kernel RBF meningkatkan akurasi klasifikasi. Secara umum, multilayer perceptron (MLP) dengan hidden layer 8 memberikan hasil lebih baik (akurasi 87,52%, RMSE 0,2394, dan waktu komputasi 21,00±0,17 detik) dibanding teknik lain untuk pembedaan lemak babi dari lemak sapi dan minyak goreng sawit pada frekuensi 4,20-5,00 MHz. Hasil ini masih membutuhkan verifikasi terhadap spektrum sifat listrik pencampuran bahan lain dan teknik klasifikasi yang digunakan.

Saran

Preprocessing normalisasi dapat diaplikasikan dalam studi lanjut terkait proses deteksi lemak babi terhadap lemak pangan lain maupun daging sapi.

Pustaka

Aida AA, Che Man YB, Wong CMVL, Raha AR, Son R. 2005. Analysis of raw meats and fats of pigs using polymerase chain reaction for halal authentication. Meat Sci. 69:47-52. doi:10.1016/j.meatsci.2004.06.020 Al-Salabi L, Shaaban Z, Kasasbech B. 2006. Data mining: A preprocessing

engine. J Comput Sci. 2(9):735-739.

Chang CC, Lin CJ. 2001. LIBSVM- A Library for Support Vector Machines. URL http://www.csie.ntu.edu.tw/~cjlin/libsvm/.

Castro-Giráldez M, Chenoll C, Fito PJ, Toldrá F, Fito P. 2010. Physical sensors for quality control during processing. In ToldraF. 2010. Handbook of meat processing. Wiley-Blackell. A John Wiley & Sons, Inc

Che Man YB, Gan HL, Nor Aini I, Nazimah SAH, Tan CP. 2005. Detection of lard adulteration in RBD palm olein using an electronic nose. Food Chem. 90: 829-835. doi:10.1016/j.foodchem.2004.05.062

Coni E, Pasquale P, Coppolelli P, Bocca A. 1994. Detection of. Animal Fats in Butter by Differential Scanning Calorimetry: A Pilot Study. JAmOil Chem.

Soc.71:807-810.

Farag RS, Abo-raya SH, Ahmed FA, Hewedi FM, Khalifa HH. 1983. Fractional crystallization and gas chromatographic analysis of fatty acids as a means of detecting butterfat adulteration. JAmOil ChemSoc. 60:1665-1669.

Garofalakis M, Hyun D, Rastogi R, Shim K. 2003. Building decission tree with constraints. Data Min Knowl Discov. 7(2):187-214.

Hsu CW, Chang CC, Lin CJ. 2003. A Practical Guide to Support Vector Classifcation. Department of Computer Science National Taiwan University, Taipei 106, Taiwan http://www.csie.ntu.edu.tw/~cjlin

Ikediala JN, Tang J, Drake SR, Neven LG. 2000. Dielectric properties of apple cultivars and codling moth larvae. Trans ASAE. 43:1175-1184.

Indrasti D, Che Man YB, Mustafa S, Hashim DM. 2010. Lard detection based on fatty acids profile using comprehensive gas chromatography hyphenated with time-of-flight mass spectrometry. Food Chem. 122:1273-1277.

Jaswir I, Mirghani MES, Hassan TH, Said MZM. 2003. Determination of lard in mixture of body fats of mutton and cow by Fourier transform infrared spectroscopy. J oleo sci. 52(12):633-638.

Kotsiantis SB, Kanellopoulos D, Pintelas PE. 2006. Data preprocessing for supervisit learning. Comp Sci. 1:1306-4428.

Mabrook MF, Petty MC. 2003. Effect of composition on the electrical conductance of milk. J Food Eng. 60:321-325.

Marikkar JMN, Ghazali HM , Che Man YB, Lai OM. 2002. The use of cooling and heating thermograms for monitoring of tallow, lard and chicken fat adulterations in canola oil. Food Res Int. 35:1007-1014. doi:10.1016/S0963- 9969(02)00162-X

Marikkar JMN, Ghazali HM, Che Man YB, Peiris TSG, Lai OM. 2005. Distinguishing lard from other animal fats in admixtures of some vegetable oils using liquid chromatographic data coupled with multivariate data analysis.Food Chem. 91:5-14.

Rohman A, Che Man YB. 2010. FTIR spectroscopy combined with chemometrics for analysis of lard in the mixtures with body fats of lamb, cow, and chicken.

Int Food Res J. 17:519-527.

Sosa-Morales ME, Valerio-Junco L, López-Malo A, García HS. 2010. Review dielectric properties of foods: Reported data in the 21st century and their potential applications. LWT-Food Sci Technol. 43:1169-1179. doi:10.1016/j.lwt.2010.03.017.

Turabi E, Regier M, Sumnu G, Sahin S, Rother M. 2010. Dielectric and thermal properties of rice cake formulations containing different gum types. Int J Food Properties. 13:1199-1206.

Venkatesh MS, Raghavan GSV. 2004. An overview of microwave processing and dielectric properties of agri-food materials. Biosystems Eng. 88(1):1-11. Witten I H, Frank E, Hall MA. 2011. Data Mining: Practical Machine Learning

Tools and Techniques. Third Edition. Morgan Kaufmann Publishers. Burlington.USA.

Zywica R, Banach, JK, Kiełczewska K. 2012. An attempt of applying the electrical properties for the evaluation of milk fat content of raw milk. J Food Eng.111:420–424. doi:10.1016/j.jfoodeng.2012.01.025

Zywica R, J Budny. 2000. Changes of selected physical and chemical parameters of raw milk during storage. Czech J Food Sci.18(245):241-242.

7. APLIKASI

TEKNIK-TEKNIK KLASIFIKASI UNTUK

PREDIKSI CEMARAN LEMAK BABIPADA

Dalam dokumen Design of detection technique of lard in beef based on electrical properties (Halaman 69-79)