Sistem Pendeteksi Kesegaran Ikan Bandeng Berdasarkan Bau Dan Warna Daging Berbasis Sensor MQ135 Dan TCS3200 Dengan Metode Naive Bayes

(1)

Fakultas Ilmu Komputer

Universitas Brawijaya

10110

Sistem Pendeteksi Kesegaran Ikan Bandeng Berdasarkan Bau Dan Warna

Daging Berbasis Sensor MQ135 Dan TCS3200 Dengan Metode Naive Bayes

Govinda Dwi Kurnia Sandi1_{, Dahnial Syauqy}2_{, Rizal Maulana} 3

Program Studi Teknik Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1_{[email protected],}2_{[email protected]}

_,

3_{[email protected]}

Abstrak

Kesegaran ikan bandeng dipengaruhi beberapa faktor, salah satunya adalah waktu penyimpanan ikan. Dalam proses penyimpanan dan pengolahan pada pedagang dan rumah tangga, masih dilakukan secara manual dan menyebabkan kesalahan dalam menentukan kesegaran ikan bandeng. Untuk mengatasi masalah tersebut akan dilakukan perancangan alat yang dapat menentukan kesegaran ikan bandeng secara cepat dan otomatis. Dalam pembuatan alat ini akan digunakan mikrokontroler arduino serta sensor gas MQ135 untuk mendeteksi amonia, dan sensor TCS3200 untuk mendeteksi warna RGB dari daging ikan bandeng. Hasil dari dua sensor tersebut yang berupa 4 parameter atau fitur untuk nantinya akan digunakan untuk menentukan kesegaran ikan bandeng dengan metode naive bayes... Metode Naive Bayes dipilih karena metode ini sangat fleksibel jika ada perubahan pada data latih, dan membutuhkan data latih yang sedikit untuk bisa melakukan perhitungan naive bayes, dan terakhir hasil dari klasifikasi metode ini juga cukup akurat. Dari pengujian yang dilakukan mulai dari pengujian sensor metode dan waktu komputasi hasilnya adalah persentase error TCS3200 ketika mendeteksi RGB daging adalah sebesar 2,2%. Pada pengujian sensor MQ135 diperoleh nilai korelasi sensor dengan tegangan output sebesar 99,22%. Untuk pengujian metode menggunakan 100 data latih dan 18 data uji, klasifikasi menggunakan naive bayes memperoleh akurasi sebesar 94,4% dengan waktu komputasi rata-rata selama 2,7 detik.

Kata Kunci: Kesegaran ikan, MQ135, TCS3200, Naive Bayes

Abstract

The freshness of milkfish is influenced by several factors, one of which is the time of storage of fish. In the process of storage and processing at traders and households, it is still done manually and causes errors in determining the freshness of milkfish. To overcome these problems, a tool that can determine the freshness of milk fish will be designed quickly and automatically. In making this tool an arduino microcontroller and MQ135 gas sensor will be used to detect ammonia, and TCS3200 sensor to detect the RGB color of milkfish. The results of the two sensors in the form of 4 parameters or features will be used to determine the freshness of milkfish with the Naive Bayes method ... The Naive Bayes method was chosen because this method is very flexible if there are changes to the training data, and requires little training data to can do Naive Bayes calculations, and finally the results of the classification method are also quite accurate. From the testing carried out starting from the sensor testing method and computational time the result is the TCS3200 error percentage when detecting RGB meat is 2.2%. In testing the sensor MQ135 sensor correlation value obtained with an output voltage of 99.22%. For testing methods using 100 training data and 18 test data, classification using Naive Bayes obtained an accuracy of 94.4% with an average computing time of 2.7 seconds.

Keywords: freshness of fish, MQ135, TCS3200, Naive Bayes

1. PENDAHULUAN

Ikan Bandeng atau milkfish atau nama latinnya chanos chanos merupakan ikan yang disukai oleh banyak masyarakat Indonesia,

memiliki rasa yang khas, dan juga dikenal bahkan di luar negeri. Kandungan omega3 pada bandeng sebesar 14.2% lebih besar dari kandungan omega-3 ikan salmon (2.6%), ikan sardines/ mackerel (3.9%) dan ikan tuna (0.2%)

(2)

(Perikanan, 1996).

Indonesia juga merupakan negara budidaya Bandeng yang cukup besar. Dengan gizi tinggi dan mendukung ketahanan pangan, budidaya bandeng menjadi usaha sebagian orang di Indonesia mulai dari tambak sampai pedagang di pasar. Pada tahun 2014, produksi ikan bandeng mengalami peningkatan, yakni dari 421.757 ton pada 2010 jadi 621.393 ton di tahun 2014 (data sementara) atau 10,4 % tiap tahun. Tetapi dengan meningkatnya produksi ikan bandeng yang segar, membuat oknum pedagang yang tidak bertanggung jawab atau curang memanfaatkan kondisi ini dengan menjual ikan yang tidak layak konsumsi seperti ikan busuk, ikan dengan formalin ataupun berklorin (FER, 2015).

Dalam memeriksa kesegaran ikan, di UKM (Usaha Kecil Menengah) masih dilakukan dengan cara analisis mikrobiologi dan kimiawi , cara ini masih belum efektif karena menggunakan tenaga manusia yang banyak. membutuhkan biaya tidak sedikit, manusia juga mudah kelelahan fisiknya karena waktu yang dibutuhkan lebih lama, sehingga berpengaruh pada produksi ikan. Tanda ikan ketika mulai busuk adalah dengan dikeluarkannya amonia, dikarenakan adanya penguraian protein dan lemak pada ikan, dengan terjadinya penguraian protein dan lemak akan mengakibatkan penurunan mutu daging ikan yang menyebabkan perubahan tekstur, rasa, dan penampakan ikan (Junianto, 2003).

Pada penelitian ini akan fokus untuk menentukan klasifikasi kesegaran ikan bandeng, dengan parameternya adalah bau dan warna, karena dalam penurunan kualitas bandeng hal yang paling terlihat adalah bau dan penampakan daging ikan tersebut. Perancangan sistem akan memakai Arduino Uno yang menjadi otak dari sistem, tugasnya mulai dari menghubungkan antar hardware dan memproses atau mengolah data. Data yang akan diolah di arduino adalah data hasil dari pembacaan gas dan RGB oleh sensor MQ135 dan TCS3200. Setelah proses klasifikasi selesai, hasil akhir kesegaran ikan bandeng akan tampil di LCD 16×2. Metode yang digunakan untuk klasifikasi adalah Naive Bayes. Metode Naive Bayes dipilih karena cepat dan akurat dalam melakukan klasifikasi. Kelebihan metode ini adalah bisa menggunakan data latih yang sedikit serta bisa dengan fitur yang banyak dan metode yang fleksibel karena jika ada kesalahan di data latih dan perlu mengganti, yang diganti tidak banyak. Dari semua latar

belakang yang telah dijelaskan penulis akan melakukan penelitian dengan membuat sistem yang dapat mendeteksi kesegaran ikan dengan otomatis, dalam mendeteksi sakan menggunakan arduino untuk pusat pemrosesan, sensor TCS3200 untuk membaca warna dan MQ135 untuk membaca amonia, untuk klasifikasinya akan menggunakan naïve bayes. Dengan dilaksanakannya penelitian ini, diharapkan bisa memudahkan masyarakat baik pedagang ataupun konsumen dalam menetukan kesegaran ikan bandeng.

2. PERANCANGAN DAN IMPLEMENTASI SISTEM 2.1 Gambaran Umum Sistem

Gambar 1. Diagram Blok Sistem

Dari Gambar 1 bisa diketahui bahwa sistem sistem ini nantinya akan memiliki 3 bagian utama yaitu input/masukan pada sistem, proses/ tempat pemrosesan sistem, dan output/ hasil yang dikeluarkan sistem. Di bagian input terdapat 2 sensor yang dipakai yaitu sensor MQ135 untuk membaca amonia dan sensor TCS3200 untuk membaca warna. Hasil sensor gas berupa PPM dan sensor warna berupa RGB dari daging ikan bandeng yang diuji, data dari sensor nantinya akan diolah di bagian proses yaitu arduino, diolah maksudnya data sensor akan menjadi parameter atau fitur dalam perhitungan naive bayes. Metode ini digunakan karena kefleksibelan dan kecepatannya dalam melakukan klasifikasi dan hasil dari metode ini juga akurat meskiput data latih yang digunakan sedikit. Hasil dari klasifikasi pada alat ini akan ditampilkan di LCD 16x2 yang termasuk output jika melihat pada gambar 1.

2.2 Perancangan Prototype Sistem

Untuk membuat prototype sistem, perlu adanya sebuah rancangan atau desain awal alat mulai dari ukuran, bahan sampai letak sensor dan komponen lain yang digunakan agar sistem

(3)

Fakultas Ilmu Komputer, Universitas Brawijaya

lebih rapi dan tertata. Desain pada Gambar 2 dibuat menggunakan software Google Sketch Up.

Gambar 2. Desain Alat Pendeteksi Kesegaran Ikan Bandeng

Pada gambar 2 desain alat dengan dimensi 19 cm x 27 cm x 11 cm, berupa box plastik yang akan diwarnai hitam. Agar cahaya tidak bisa mengganggu dari luar, maka warna htam dipilih sebagai warna dari prototype sistem ini. Untuk peletakan tombol dan LCD diatas box agar pengguna dimudahkan dalam melihat hasil dan memulai proses dengan cara menekan tombol tersebut. Pada bagian sistem yang bisa dibuka tutup terdapat sensor MQ135 yang menghadapke bawah atau kedalam box. Tujuan bisa dibuka tutup agar sirkulasi udara didalam box bisa lancar dan jika ingin merefresh sensor MQ135 hanya tinggal membuka bagian tersebut agar sensor menghadap ke atas.

Gambar 3. Diagram Skematik Sistem

Gambar 3 merupakan gambar skematik rangkaian perangkat keras atau konektivitas dari tiap komponen yang diimplementasikan dalam pembuatan sistem. Diantarnya adalah Arduino

Uno sebagai pusat pemrosesan sistem, sensor TCS3200 untuk membaca warna, sensor MQ135 untuk membaca amonia, tombol untuk memulai sistem, dan resistor yang berfungsi untuk rangkaian pembagi tegangan pada pembacaan sensor MQ135 atau mendapatkan nilai PPM, serta, lalu LCD I2C untuk menampilkan hasil dari sistem ini.

Perancangan selanjutnya adalah perancangan perangkat lunak, perancangan ini perlu dilakukan untuk menetukan cara sistem bekerja. Cara kerja sistem yaitu arduino uno menerima sinyal dari tombol untuk memulai pembacaan sensor gas dan warna, lalu melakukan pengambilan nilai sensor dari MQ135 dan TCS3200 dan akan mengolahnya.

Gambar 4. Diagram Alir Pembacaan Data Sensor

Jika mengacu pada diagram alir di Gambar 4, terlihat bahwa pertama kali hal yang dilakukan oleh sistem adalah meng-inisialisasi pin sensor MQ135 dan TCS3200 pada arduino IDE dengan tujuan untuk membedakan input ataupun output yang digunakan kedua sensor. Setelah mikrokontroler mendapatkan nilai dari pembacaan warna dan amonia (PPM), maka dilakukan proses pengecekan penekanan push button. Apabila tombol ditekan, maka sensor akan mulai proses klasifikasi, data sensor akan

(4)

dipakai untuk perhitungan Naive Bayes dalam menentukan jenis kesegaran daging ikan yang di uji.

Gambar 5. Diagram Alir Perancangan Naive

Bayes

Jika nilai dari sensor gas dan warna sudah didapatkan, maka tahap selanjutnya adalah menggunakan data tersebut untuk dihitung dengan algoritma naïve bayes, mulai dari mean, prior, gaussian dan posterior, sehingga akan mendapatkan hasil klasifikasi, hasil klasifikasi didapat dari membandingkan nilai akhir dari kelas yang sudah ditentukan. Kelas yang nilainya tertinggi akan menjadi kesimpulan dari sistem. Dalam perancangan Naive Bayes yang ditampilkan pada Gambar 5 memiliki beberapa tahapan. Penjelasan masing- masing tahapan pada algoritma Naive Bayes adalah sebagai berikut:

Gambar 6. Diagram Alir ProbPrior()

Tahap pertama yang dilakukan atau

dihitug dalam klasifiksi naïve bayes yaituperhitungan nilai prior dari dua kelas yang ditentukan sejak awal, yaitu untuk kesegaran ikan baik dan untuk kesegaran ikan buruk, penentuan kelas tersebut didapatkan dengan 4 fitur/parameter yaitu nilai dari gas amonia, R, G, B pada ikan bandeng. Nilai prior adalah nlai peluang pada kelas tertentu, diperoleh dengan cara membagi jumlah keseluruhan data pada kelas itu dengan jumlah seluruh data dari semua kelas). Data tersebut adalah data latih yang akan digunakan dalam menghitung prior, setelah nilai prior ditemukan nilai ini akan digunakan dalam perhitungan gaussian

.

Gambar 7. Diagram Alir Gaussian()

Tahap kedua dalam naive bayes adalah menentukan nilai gaussian, cara menghitungnya yaitu dengan mendapatkan nilai peluang dari semua fitur. Sistem ini menggunakan fitur hasil dari pembacaan nilai dari sensor sensor, sensor TCS3200 memiliki 3 fitur yaitu fitur R, G dan B, sedangkan sensor MQ135 memiliki 1 fitur yaitu PPM dari amonia, jadi total keseluruhan ada 4 fitur yang akan digunakan dalam perhitungan. Sebelum mulai hitung nilai gaussian dari semua fitur, yang perlu dihitung yaitu mean dan standar deviasi terlebih dahulu, perhitungannya memakai Persamaan (1) serta Persamaan (2). Untuk mempermudah ketika memakai nilai dari data latih saat menggunakan program, mean dan standar deviasi dari data latih sistem ini sudah disimpan pada program di mikrokontroler. Setelah itu, gaussian dihitung dengan memakai Persamaan (3) seperti yang terlihat pada Gambar 7 nilai x disitu adalah nilai yang berasal dari fitur

(5)

yang didapat ketika pembacaan sensor.

Rumus Perhitungan Mean

𝑥̅ =

∑ 𝑥𝑖

𝑛 𝑖=1

𝑛

(1)

Rumus Perhitungan Standart Deviasi

𝑠 = √

∑ (𝑥𝑖−𝑥̅)2

𝑛 𝑖=1

𝑛−1

(2)

Rumus Perhitungan Gaussian

1 √2𝑥𝜋𝑥𝜎𝑖𝑗2 𝑒− (𝑥𝑖−𝜇𝑖𝑗)2 2𝜎_𝑖𝑗2 (3) Keterangan : (𝑋 = 𝑥𝑖 |𝑌 = 𝑦𝑖 ) : Peluang gaussian 𝜇 𝑎𝑡𝑎𝑢 𝑥̅ : nilai rata-rata (mean) 𝜎 𝑎𝑡𝑎𝑢 𝑠 : nilai standar deviasi 𝑛 : jumlah data

𝑥𝑖 : data ke-i

e : nilai eksponen (2,718282)

Gambar 8. Diagram Alir

ProbPosteriror

Jika sudah memiliki nilai prior dan gaussian, tahap selanjutnya adalah menghitung posterior, adalah peluang untuk menghitung peluang pada semua kelas jika ada masukan pada

fitur. Fitur itu sendiri adalah dari pembacaan sensor-sensor yang gunakan yaitu amnois dan gas, fiturnya R, G, B dan PPM. Caranya yaitu dengan melakukan perkalian antara hasil dari perhitungan prior dengan hasil perhitungan Gaussian. Langkah terakhir dalam perhitungan Naive Bayes ini adalah membandingkan nilai posterior dari tiap kelas dan mencari yang paling tinggi. Jenis kesegaran ikan yang paling tinggi nilai posteriornya merupakan hasil klasifikasi yang ditampilkan pada output sistem ini.

2.3 Implementasi Sistem

Jika perancangan sudah dikerjakan, tahapan selanjutnya adalah implementasi sistem. Tahap ini berisi eksekusi atau pelaksanaan semua perancangan yang sudah dibuat di awal . implementasi prototype ditampilkan pada gambar 9 dan 10.

Gambar 9. Implementasi Prototype Sistem

Dalam implementasi alat ini komponen utamanya adalah Arduino Uno, MQ135, TCS3200, LCD 16x2 serta Switch Button. Pada sistem ini MQ135 diletakkan dibawah tutup atas dan menghadap kebawah, tujuannya agar bisa merefresh sensor dengan cara menghadapkan ke atas. Arduino di letakkan bagian samping di dalam box bagian tengah supaya memudahkan ketika dihubungkan dengan komponen lain.. Bagian atas diletakkan LCD 16x2 serta tombol atau push button. Untuk menghubungkan smeua

(6)

komponen digunakan kabel jumper.

Gambar 10. Implementasi Peletakan Komponen

3. PENGUJIAN DAN ANALISIS 3.1 Pengujian Sensor TCS3200

Hasil pengujian sensor TCS3200 ditampilkan di Tabel 1 , dari tabel tersebut dijelaskan bahwa sensor membaca warna daging ikan bandeng dan mendapatkan nilai 3 warna yaitu RGB atau red, green, blue. Hasil baca sensor TCS3200 akan dibandingkan dengan pembacaan warna dari Eyedropper tool Corel PHOTO-PAINT.

Tabel 1. Hasil pembacaan warna TCS3200 Pengu jian ke- Pembacaan Sensor R G B HEX 1 220 218 203 #DCDACB 2 227 200 179 #E3C8B3 3 228 203 182 #E4CBB6 4 201 185 164 #C9B9A4 5 183 163 137 #B7A389 6 171 151 132 #AB9784 7 151 129 117 #978175 8 146 138 123 #928A7B

Tabel 2. Hasil pembacaan warna Eyedropper tool Corel PHOTO-PAINT

Pengu jian ke- Corel PHOTO-PAINT R G B HEX 1 216 221 202 #D8DDCA 2 223 200 175 #DFC8AF 3 218 197 178 #DAC5B0 4 200 187 162 #C8BBA2 5 181 161 134 #B5A186 6 168 149 129 #A89581 7 150 128 117 #968075 8 141 134 120 #8D8678 Setelah nilai RGB didapat, nilai RGB akan dirubah ke HEX, tujuannya agar lebih mudah ketika menghitung nilai error, cara hitungnya yaitu mencari selisih dari nilai antar kedua alat ukur pembacaan warna. Jika sudah maka ysng terakhir adalah dilakukan perhitungan rata-rata error dengan menggunakan Persamaan (4).

Presentase eror = (4)

𝑆𝑒𝑙𝑖𝑠𝑖ℎ 𝑁𝑖𝑙𝑎𝑖 𝑃𝑒𝑚𝑏𝑎𝑐𝑎𝑎𝑛

𝑃𝑒𝑚𝑏𝑎𝑐𝑎𝑎𝑛 𝐴𝑙𝑎𝑡 𝑈𝑘𝑢𝑟 x 100%

Hasil pengujian dan perhitungan nilai errror pada sensor warna TCS3200 ditunujukkan pada Tabel 3.

Tabel 3. Hasil perhitungan error sensor warna TCS3200

Pengu jian ke

Selisih Error Error

HEX DEC 1 #3FD01 261377 1,83 % 2 #40004 262148 1,78% 3 #A0606 656902 4,5 % 4 #4F7F5 325621 2,40% 5 #20203 131587 1,10% 6 #30203 197123 1,78 % 7 #10100 65792 0,66 % 8 #50403 328707 3,55 % Rata – rata 2,2 %

Dari pengujian pada sensor warna diperoleh rata-rata error sensor TCS3200 sebesar 2,2%. Selisih nilai baca sensor dan nilai baca warna di corel Photopaint cukup kecil, dan itu berarti kepekaan warna dari sensor TCS3200 juga baik. Bisa dikatakan akurasi dari sensor ini sangat baik.

2,7 Pengujian Sensor Gas MQ135

Gambar 11 berisi grafik hubungan nilai PPM gas amonia dengan tegangan keluaran/vout sensor MQ135 ketika proses pembacaan. Pada gambar terlihat y = 0,517x +

(7)

0,4329 adalah model regresi power antara 2 variable PPM dan vout dan nilai R2= 0.9955 dapat disebut koefesien determinasi yang artinya variabel PPM dipengaruhi oleh variabel Vout(tegangan kelaran) sebesar 99.22%. untuk 0.78% sisanya untuk konsentrasi amonia dipengaruhi variabel lain.

Gambar 11. Pengujian Akurasi Sensor MQ135

3.3 Pengujian Akurasi Hasil Klasifikasi Sistem

Pada pengujian ini semua sensor digunakan bersamaan dan 4 fitur akan digunakan untuk perhitungan naive bayes. Data latih yang digunakan dalam pengujian adalah 100 data, masing-masing 50 untuk kelas baik dan buruk. Dimana jumlah data latih sebanyak 108 data data uji yang digunakan ketika pengujian yaitu 18 data. Masing-masing 9 data untuk kelas baik dan buuk. Dalam pengujian juga dibutuhkan nilai rata-rata berhasil dan gagal sistem dalam melakukan klasifikasi. Cara mendapatkan nilai akurasi yaitu dengan membandingkan tingkat keberhasilan klasifikasi dan kegagalan klasifikasi. Atau dengan menggunakan Persamaan (5).

Akurasi = (5)

𝑇𝑜𝑡𝑎𝑙 𝐷𝑎𝑡𝑎−𝐷𝑎𝑡𝑎 𝑡𝑖𝑑𝑎𝑘 𝑠𝑒𝑠𝑢𝑎𝑖

𝑇𝑜𝑡𝑎𝑙 𝐷𝑎𝑡𝑎 x 100%

Tabel 4. Hasil Akurasi metode Naive Bayes

No PPM R G B Kelas Hasil Kesesuaian 1 0.04 228 203 182 Baik Baik Sesuai

2 0.06 227 200 179 Baik Baik Sesuai

10 0.19 184 165 169 Buruk Baik Tidak Sesuai

11 0.2 183 163 142 Buruk Buruk Sesuai

Dari 18 kali pengujian yang dilakukan, diperoleh hasil 1 kali sistem gagal atau salah melakukan klasifikasi. Dengan perhitungan akhir nilai akurasi sistem dalam menentukan kesegaran daging ikan bandeng adalah sebesar 94,4%.

3.4 Pengujian Waktu Komputasi

Pengujian waktu komputasi dilakukan untuk mengetahui waktu yang dibutuhkan sistem dalam melakukan pekerjaan. Tujuannya jika waktu terlalu lama, penulis dapat memperbaiki program yang digunakan. Waktu dimulai dari pembacaan sensor hingga kesimpulan dari klasifikasi sudah diperoleh.

Gambar 12. Pengujian Waktu Komputasi

Dari 18 kali pengujian yang dilaksanakan, rata-rata waktu yang dibutuhkan sistem untuk menyelesaikan tugas sebesar 2,7 detik.

4. PENUTUP 4.1 Kesimpulan

Dari pengujian yang dilakukan sensor gas MQ135 memiliki performa yang sangat baik. Sensor dapat membaca amonia dengan akurat. Dari pengujian tersebut, nilai korelasi antara vout dan PPM adalah 99,22%, hal ini membuktikan bahwa semakin tinggi vout maka PPM juga akan naik.

(8)

Pada sensor warna TCS3200 pengujian dilakukan dengan menggunakan pembanding corel Photopaint, nilai yang diperoleh sensor terpaut tidak terlalu jauh, dan rata-rata selisih atau disebut nilai error sensor ini yaitu sebesar 2,2% sehingga bisa disimpulkan sensor ini bekerja dengan baik.

Dari pengujian yang dilakukan Sistem Pendeteksi Kesegaran Ikan Berdasarkan Bau dan Warna Daging Berbasis Sensor MQ135 Dan TCS3200 Menggunakan Metode Naive Bayes menggunakan data latih sebanyak 100 data dan data uji sebanyak 18 data mendapatkan 1 kali error, atau jika senilai 94,4% dengan waktu komputasi hanya 2,7 detik.

5. DAFTAR PUSTAKA

Arduino. (2019). store.arduino.cc. Retrieved from

https://store.arduino.cc/usa/arduino-uno-rev3

Atasoy, A., 2015. Fish Freshness Testing with Artificial Neural Networks.

FER. (2015). Berita Satu, KKP Targetkan Produksi Bandeng 1,2 Juta Ton. Retrieved from

http://www.beritasatu.com/ekonomi/26 1860-kkp-targetkan-produksi-bandeng-12-juta-ton.html

Sistem Pendeteksi Kesegaran Ikan Bandeng Berdasarkan Bau Dan Warna Daging Berbasis Sensor MQ135 Dan TCS3200 Dengan Metode Naive Bayes

10110

Sistem Pendeteksi Kesegaran Ikan Bandeng Berdasarkan Bau Dan Warna

Daging Berbasis Sensor MQ135 Dan TCS3200 Dengan Metode Naive Bayes

_,

2.2 Perancangan Prototype Sistem

.

𝑥̅ =

(1)

𝑠 = √

(2)

Hadiwiyoto, S. (1993). Teknologi

Pengolahan Hasil Perikanan (1

ed.). Yogyakarta: Liberty.

Indrabayu, 2016. Sistem Pendeteksi

Kesegaran Ikan Bandeng

Menggunakan Citra.

Lawrie, 1995. Ilmu Daging. Penerjemah

Parakkasi. Jakarta: UI Press.

MQ135_Datasheet, 2016.

MQ135_Datasheet.

Murtidjo, B. A., 2002. Budi Daya Dan

Pembenihan Bandeng. Yogyakarta:

KANISIUS.

Perikanan, B. P. (1996). ikan bandeng.

RI, U. P., 2004. kemanan, mutu dan gizi

pangan. Indonesia, Paten No. 28.

Utomo, T. (2016). www.kompasiana.com.

Retrieved 09 12, 2018, from

https://www.kompasiana.com/lhapi

ye/56e7bade329773e7093cb75e/ika

n-sebagai-pangan-2-kemunduran-mutu-ikan?page=all

Simamora, J., 2016. RANCANG

BANGUN SISTEM PENDETEKSI

KESEGARAN DAGING