Electronic Theses and Dissertation

Madu merupakan produk yang paling banyak dipalsukan ketiga di dunia. Praktik pemalsuan madu tidak hanya berdampak pada risiko kesehatan, tetapi juga menimbulkan persaingan ekonomi yang tidak sehat serta menghilangkan manfaat alami yang seharusnya diperoleh konsumen. Teknologi Near Infrared Spectroscopy (NIRS) menawarkan solusi deteksi pemalsuan madu yang cepat, tidak merusak, dan tidak memerlukan reagen, namun menghasilkan spektral data yang kompleks sehingga membutuhkan model pembelajaran yang tepat untuk interpretasi yang akurat. Untuk memastikan model bekerja dengan baik, penelitian ini menerapkan evaluasi pembelajaran berupa learning curve dan cross validation serta evaluasi klasifikasi melalui classification report dan confusion matrix. Penelitian ini merancang arsitektur Deep Neural Network (DNN) dan membandingkan performanya dengan metode machine learning meliputi LDA, QDA, MDA, LSVM, dan KNN serta model deep learning lainnya yaitu ResNet dan TabNet. Selain itu, dilakukan pula pendekatan pemrosesan data untuk menentukan strategi yang paling optimal melalui penerapan teknik pra proses seperti SNV, MSC, dan Normalization serta ekstraksi fitur berbasis PCA dan Statistical Features. Hasil penelitian menunjukkan bahwa pada skema klasifikasi dua kelas maupun multi kelas, DNN mampu mengenali data dengan baik dan menunjukkan kemampuan generalisasi yang kuat. Akurasi klasifikasi KNN mencapai 100% dan DNN mencapai 99.94% pada klasifikasi dua kelas. Sementara itu, akurasi klasifikasi KNN dan DNN masing-masing 99.48% dan 99.98% pada klasifikasi multi kelas. Meskipun KNN menunjukkan performa baik pada klasifikasi dua kelas, DNN tetap menjadi metode yang paling unggul terutama pada tugas klasifikasi multi kelas.

Kata kunci: pemalsuan madu, NIRS, deep learning, machine learning, DNN

Honey is the third most adulterated product in the world. Honey adulteration practices not only impact health risks but also create unfair economic competition and eliminate the natural benefits that consumers should obtain. Near Infrared Spectroscopy (NIRS) technology offers a fast, non-destructive, and reagent-free solution for detecting honey adulteration, but it produces complex spectral data that requires an appropriate learning model for accurate interpretation. To ensure that the model works properly, this study applies learning evaluations in the form of learning curves and cross-validation, as well as classification evaluations through classification reports and confusion matrices. This study designs a Deep Neural Network (DNN) architecture and compares its performance with machine learning methods including LDA, QDA, MDA, LSVM, and KNN, as well as other deep learning models, namely ResNet and TabNet. In addition, a data processing approach is employed to determine the most optimal strategy through the application of preprocessing techniques such as SNV, MSC, and Normalization, and feature extraction using PCA and Statistical Features. The results of the study show that in both binary and multi-class classification schemes, DNN is able to recognize the data well and demonstrates strong generalization capability. The classification accuracy of KNN reached 100% and DNN reached 99.94% in binary classification. Meanwhile, the classification accuracy of KNN and DNN was 99.48% and 99.98%, respectively, in multi-class classification. Although KNN demonstrates good performance in binary classification, DNN remains the most superior method, especially for multi-class classification tasks. Keywords: honey adulteration, NIRS, deep learning, machine learning, DNN