Perpustakaan Digital ITB

Kualitas teh ditentukan oleh atribut seperti penampilan, aroma, warna, dan rasa, yang dipengaruhi senyawa kimia seperti polifenol dan flavonoid. Penilaian tradisional oleh tea tester bersifat subjektif dan tidak konsisten, sementara metode analitik seperti HPLC dan GC akurat tetapi mahal. Teknologi electronic nose (e- nose) menjadi alternatif hemat biaya dengan meniru indera penciuman dan menganalisis senyawa volatil. Deep learning, khususnya CNN, memungkinkan pembelajaran end-to-end dan ekstraksi fitur otomatis, sementara data augmentasi seperti Gaussian noise dapat meningkatkan kinerja model. Eksperimen bertujuan untuk mengevaluasi apakah penambahan Gaussian noise sebagai teknik data augmentation dapat meningkatkan proses pembelajaran model atau justru menambahkan data yang tidak relevan (noise) pada electronic nose. Evaluasi dilakukan dengan melihat dampak data augmentasi terhadap hasil pembelajaran, khususnya dalam skenario dengan peningkatan tingkat noise. Penelitian ini juga membandingkan kinerja klasifikasi model dengan dan tanpa noise augmentation untuk menilai pengaruhnya terhadap generalisasi dan akurasi model. Gaussian noise diterapkan pada enam tingkat varians yang terkontrol (0.01, 0.03, 0.05, 0.1, 0.2, dan 0.3), dan pengaruhnya terhadap klasifikasi dianalisis menggunakan arsitektur 1D-CNN dan 2D-CNN. Analisis statistik mengonfirmasi bahwa noise augmentation efektif pada tingkat rendah, menjaga struktur data asli sambil memperkenalkan variasi realistis. Variasi ini membantu meminimalkan bias model dengan memperluas distribusi data latih. Hasil penelitian menunjukkan bahwa tanpa noise, arsitektur 1D-CNN mencapai akurasi 87%. Dengan penambahan noise, model 1D-CNN dari Zhou menunjukkan akurasi yang konsisten pada tingkat noise rendah hingga sedang, mencapai hingga 96%, yang mengindikasikan ketahanannya terhadap gangguan tambahan. Di sisi lain, model 2D-CNN, khususnya ResNet34 dengan transfer learning, menunjukkan performa terbaik pada tingkat noise rendah (0.01) dengan akurasi sebesar 98.66%, tetapi mengalami penurunan kinerja secara bertahap seiring peningkatan noise. Fenomena ini mengindikasikan bahwa pada tingkat noise tinggi, data menjadi lebih terdistorsi dan kehilangan pola penting, sehingga model kesulitan melakukan iv klasifikasi dengan benar. Penggunaan Gaussian noise terbukti efektif dalam meningkatkan pembelajaran model, meskipun terdapat keterbatasan pada tingkat noise yang lebih tinggi. Perbandingan hasil klasifikasi dengan dan tanpa noise augmentation menunjukkan pentingnya kalibrasi tingkat noise yang tepat untuk menjaga keseimbangan antara variasi data dan integritas pola dalam tugas klasifikasi.