PREDIKSI INDEKS KOVATS SENYAWA FLAVOR AND FRAGRANCE MENGGUNAKAN METODE FUZZY SUPPORT VECTOR REGRESSION (FSVR) | ELECTRONIC THESES AND DISSERTATION

Electronic Theses and Dissertation

Universitas Syiah Kuala

    SKRIPSI

PREDIKSI INDEKS KOVATS SENYAWA FLAVOR AND FRAGRANCE MENGGUNAKAN METODE FUZZY SUPPORT VECTOR REGRESSION (FSVR)


Pengarang

Mariza Agustia - Personal Name;

Dosen Pembimbing

Irvanizam - 198103152003121003 - Dosen Pembimbing I
Rinaldi Idroes - 196808251994031003 - Dosen Pembimbing I



Nomor Pokok Mahasiswa

1608107010005

Fakultas & Prodi

Fakultas MIPA / Informatika (S1) / PDDIKTI : 55201

Subject
-
Kata Kunci
-
Penerbit

Banda Aceh : Fakultas MIPA - Informatika., 2022

Bahasa

No Classification

-

Literature Searching Service

Hard copy atau foto copy dari buku ini dapat diberikan dengan syarat ketentuan berlaku, jika berminat, silahkan hubungi via telegram (Chat Services LSS)

Indeks retensi kovats merupakan parameter retensi yang digunakan untuk
mengidentifikasi analit pada kromatografi gas. Nilai indeks retensi kovats pada
senyawa yang memiliki kemiripan cenderung memiliki pola kemiripan. Hal ini
memungkinkan terdapat hubungan yang erat antara struktur kimia dengan nilai indeks
retensi kovats. Metode Fuzzy Support Vector Regression (FSVR) merupakan salah
satu algoritma yang dapat digunakan untuk menghitung nilai indeks retensi kovats dari
51 senyawa flavor and fragrance. Program dibangun dengan menggunakan Bahasa
pemrograman Python. Perhitungan nilai indeks diawali dengan memasukkan data
deskriptor molekuler ke dalam fungsi keanggotaan fuzzy sigmoid. Dari 51 senyawa
kemudian dibagi menjadi 2 bagian, yaitu 80% data menjadi data latih dan 20% data
menjadi data uji. Dari data latih kemudian dilakukan proses tuning hyperparameter
untuk mendapatkan parameter terbaik untuk membangun model. Kernel yang
digunakan yaitu kernel linear dan kernel Radial Basis Function (RBF). Kernel linear
menggunakan parameter C dan epsilon yang masing-masing memiliki 7 nilai sehingga
menghasilkan 49 kombinasi parameter. Kernel RBF menggunakan parameter C,
gamma, dan epsilon yang masing-masing memiliki 7 nilai sehingga menghasilkan 343
kombinasi parameter. Dari semua jenis kombinasi parameter, kernel linear dengan
nilai parameter C = 1000 dan Epsilon=10 memberikan hasil terbaik. Parameter
tersebut memberikan nilai optimal dengan R
2 sebesar 0.977 dan RMSE sebesar 37.215.
Model FSVR yang dibangun dapat memprediksi nilai indeks retensi kovats pada data
uji dengan rata-rata perbedaan 2,8%. Hasil tersebut membuktikan bahwa kernel linear
lebih baik daripada kernel RBF dalam memprediksi nilai indeks retensi kovats dan
metode FSVR dapat digunakan sebagai salah satu metode untuk memprediksi nilai
indeks retensi kovats pada senyawa flavor and fragrance.

Kovats retention index is a retention parameter used to identify analytes in gas chromatography. The value of the Kovats retention index in compounds that have similarities tends to have a similar pattern. It may show that there is a strong relationship between the chemical structure and the value of the Kovats retention index. The Fuzzy Support Vector Regression (FSVR) method is one of the algorithms that can be used to calculate the retention index of Kovats value out of 51 flavor and fragrance compounds. The program is built using the Python programming language. The calculation of the index value begins by inputting the molecular descriptor data into the sigmoid fuzzy membership function. The 51 compounds were then divided into 2 parts, namely 80% of the data into the training set and 20% of the data into the testing set. From the training data, the hyperparameter tuning process is then carried out to get the best parameters to build the model. The kernels used are linear kernel and Radial Basis Function (RBF) kernel. The linear kernel uses C and epsilon parameters, each of which has 7 values, resulting in 49 combinations of parameters. The RBF kernel uses parameters C, gamma, and epsilon, each of which has 7 values, resulting in 343 combinations of parameters. Out of all types of parameter combinations, a linear kernel with parameter values of C = 1000 and Epsilon = 10 gives the best results. These parameters provide an optimal value with an R-Square of 0.977 and an RMSE of 37,215. The FSVR model can predict the value of the Kovats retention index on the testing data with an average difference of 2.8%. These results prove that the linear kernel is better than the RBF kernel in predicting the value of the retention index of Kovats and the FSVR method can be used as a method to predict retention index of Kovats value on flavor and fragrance compounds.

Citation



    SERVICES DESK