aldi lairan - 2204100197digilib.its.ac.id/public/its-undergraduate-10405-paper.pdf · kombinasi 4...

Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS

1

Perancangan Sistem Pengenalan Jenis Odor Menggunakan 20 Mhz Quartz Crystal Microbalance Dan Field Programmable Gate Array

Aldi Lairan - 2204100197

Jurusan Teknik Elektro – FTI, Institut Teknologi Sepuluh Nopember Kampus ITS, Surabaya – 60111

Abstrak - Perkembangan ilmu pengetahuan dan teknologi memunculkan banyak jenis industri yang menghasilkan berbagai macam bahan kimia khususnya gas. Sebagian gas-gas ini berbahaya karena mudah terbakar atau memiliki sifat beracun sehingga penggunaan hidung sebagai indra penciuman manusia memiliki keterbatasan. Sebagai gantinya dapat dibuat sistem sensor gas yang dapat mendeteksi dan membedakan berbagai macam jenis gas atau odor. Pada tugas akhir ini dikembangkan sebuah sistem pengidentifikasi odor menggunakan sensor deret Quartz Crystal Microbalance (QCM) dengan frekuensi resonansi dasar 20 MHz. Tiap sensor QCM diberi zat polimer yang berbeda-beda yaitu OV-101, OV-17, PEG-6000 dan PEG-1540. Frekuensi resonansi akan berubah jika ada uap yang diserap pada permukaan sensor. Frekuensi tersebut akan dihitung oleh pencacah frekuensi 24 bit yang diimplementasikan menggunakan FPGA. Hasil penghitungan kemudian dikirim ke komputer melalui komunikasi serial untuk dapat mengidentifikasi jenis odor dengan menggunakan metode Jaringan Syaraf Tiruan algoritma backpropagation yang ditanamkan pada program di PC. Hasil pengujian menunjukkan bahwa jaringan saraf tiruan yang digunakan dapat digunakan untuk mengenali sampel gas dengan tingkat kesalahan sebesar 33,33%. Kata Kunci : quartz crystal microbalance, 20 Mhz, identifikasi jenis odor

I. PENDAHULUAN

Pesatnya kemajuan ilmu pengetahuan dan teknologi mendorong dibukanya berbagai jenis bidang industri baru. Berbagai jenis industri ini menggunakan dan menghasilkan berbagai jenis bahan kimia khususnya gas yang dapat dimanfaatkan ataupun dapat berbahaya bagi manusia. Padahal, indra penciuman manusia memiliki keterbatasan dalam mengenali bau-bauan yang mungkin berbahaya bagi kesehatan bahkan mungkin beracun. Untuk itu, perlu dibuat suatu sistem identifikasi odor elektronik untuk menggantikan indra penciuman manusia.

Sensor Quartz Crystal Microbalance yang mempunyai kelebihan dibandingkan dengan sensor gas lainnya. Sensor ini mempunyai sensitivitas yang tinggi dan stabil sehingga hasil data keluaran sensor dapat dengan mudah diakuisisi datanya. Dengan menggunakan deret sensor QCM maka menghasilkan pola yang dapat dikenali dengan algoritma Neural Network. Alat pengidentifikasi odor ini terdiri dari kombinasi 4 buah sensor yang dilapisi polimer berbeda, meliputi OV-101, OV-17, PEG-6000 dan PEG-1540.

Data frekuensi yang dihasilkan oleh sensor kemudian dihitung dengan frequency counter pada FPGA. Data hasil penghitungan frekuensi kemudian dikirim ke PC melalui komunikasi serial. Sebelum diolah menggunakan algoritma Neural Network, data selisih frekuensi terlebih dahulu

dinormalisasi agar lebih mudah dalam proses pengenalan. Kemudian akhirnya data ini diinputkan pada Neural Network untuk mengenali berbagai jenis gas.

II. TEORI PENUNJANG

2.1 Sensor Quartz Crystal Microbalance (QCM)

Pada 1959, Sauerbrey menunjukkan penemuan yang sangat penting tentang karakteristik kristal kuarsa. Dia menemukan potensi manfaat dari kristal kuarsa dan menunjukkan suatu teknologi yang sangat sensitif dengan menunjukkan bahwa pergeseran frekuensi dari kristal yang diamati oleh banyak peneliti sebelumnya adalah proporsional untuk penambahan massa pada kuarsa kristal. Sensor QCM terbuat dari bahan kristal yang terdapat lapisan SiO2 yang diapit oleh dua elektrode sehingga dapat menghasilkan potensial listrik sebagai respon terhadap tekanan mekanik yang diberikan[1].

Gambar 2. 1 Prinsip QCM Dari penemuan Sauerbrey tersebut dihasilkan sebuah

persamaan Sauerbrey, yaitu persamaan yang berhubungan dengan perubahan massa per unit area di elektroda QCM[2] :

mA

ff

qq

∆⋅−=∆µρ

202

(2. 1)

di mana,

f∆ - perubahan frekuensi (Hz)

0f - resonan frekuensi dasar dari kristal (Hz)

A - daerah piezoelektrik kristal (m2)

qρ - densitas dari kristal (= 2,684 g/cm3)

qµ - modulus dari kuarsa (= 2.947 x 1011 g/cm.s2)

Dari persamaan tersebut terlihat bahwa selisih frekuensi(∆f)

berbanding lurus dengan kuadrat dari frekuensi dasar sensor(f0). Oleh karena itu, semakin besar frekuensi dasarnya maka sensor ini akan mempunyai sensitivitas yang semakin tinggi. Sehingga digunakan sensor QCM dengan frekuensi 20 Mhz dibandingkan dengan yang biasanya digunakan, yaitu 10 Mhz. Dengan demikian, dengan kadar gas yang rendah sensor tetap dapat mendeteksi jenis gas.


2

Polimer merupakan rantai berulang dari atom yang panjang, terbentuk dari pengikat yang berupa molekul identik. Penggunakan deret sensor berpolimer yang mempunyai nilai kepolaran berbeda dikombinasikan dengan bahan konduksi maupun semikonduksi untuk meniru sistem penciuman. Penyerapan sumber odor ke polimer akan mengakibatkan pembengkakan secara fisik material dan akan mengakibatkan kerapatan elektron dapat berubah pada rantai polimernya. Dengan meneteskan bahan polimer yang berbeda-beda pada permukaan sensor maka respon perubahan frekuensi masing-masing sensor akan berbeda untuk setiap jenis odor.

2.2 FPGA Sebagai Pencacah Frekuensi

Frequency counter atau lebih dikenal sebagai pencacah frekuensi mempunyai fungsi untuk menghitung frekuensi yang dihasilkan oleh suatu osilator atau oleh pembangkit frekuensi (signal generator). Pada umumnya, rangkaian ini dibangun dengan IC TTL. Tapi dengan menggunakan FPGA desain frequency counter menjadi lebih mudah dan fleksibel. Keuntungan menggunakan FPGA adalah memungkinkan mengimplementasikan jaringan logika yang sangat kompleks pada chip tunggal tanpa harus mendesain dan proses fabrikasi yang mahal dan menghabiskan waktu. Dengan tool CAD dimungkinkan menghasilkan desain FPGA lebih cepat dan dapat didesain ulang tanpa merubah rancangan perangkat keras, dibandingkan dengan ASIC yang berbulan-bulan dan bila harus didesain ulang butuh waktu lagi.

Gambar 2.2 Modul FPGA

2.3 Jaringan Saraf Tiruan Backpropagation

Jaringan Syaraf Tiruan (JST) adalah model sistem komputasi yang bekerja seperti sistem saraf biologis. Nama jaringan syaraf tiruan merupakan terjemahan dari "Artificial Neural Network". Penggunaan kata buatan dapat memberikan konotasi, bahwa manusia berusaha membuat jaringan syaraf aslinya. Padahal maksud dari JST adalah membuat model sistem komputasi yang dapat menirukan cara kerja jaringan syaraf biologis.

Model JST yang digunakan dalam tugas akhir ini adalah arsitektur feedforward (umpan maju). Sedangkan konsep belajar yaitu algoritma belajar backpropagation[4].

Gambar 2. 3 Model tiruan sebuah neuron

Backpropagation adalah salah satu pengembangan dari arsitektur Single Layer Neural Network. Arsitektur ini terdiri dari input layer, hidden layer dan output layer. `Setiap layer terdiri dari satu atau lebih neuron. Nama umum dari arsitektur ini adalah Multilayer neural network. Backpropagation merupakan sebuah metode sistematik untuk pelatihan multilayer jaringan syaraf tiruan. Metode ini memiliki dasar matematis yang kuat, obyektif dan algoritma ini mendapatkan bentuk persamaan dan nilai koefisien dalam formula dengan meminimalkan jumlah kuadrat galat error melalui model yang dikembangkan (training set).

Dimulai dengan lapisan masukan, hitung keluaran dari setiap elemen pemroses melalui lapisan luar. Hitung kesalahan pada lapisan luar yang merupakan selisih antara data aktual dan target. Transformasikan kesalahan tersebut pada kesalahan yang sesuai di sisi masukan elemen pemroses. Propagasi balik kesalahan-kesalahan ini pada keluaran setiap elemen pemroses ke kesalahan yang terdapat pada masukan. Ulangi proses ini sampai masukan tercapai. Ubah seluruh bobot dengan menggunakan kesalahan pada sisi masukan dan keluaran pemroses yang terhubung.

Dalam tugas akhir ini arsitektur backpropagation menggunakan 4 buah sensor untuk layer inputnya, sebuah hidden layer yang terdiri dari 8 neuron dan 3 buah neuron pada layer outputnya seperti gambar 2.4 dibawah ini:

Gambar 2.4 Arsitektur backpropagation

III. PERANCANGAN ALAT

3.1 Perancangan Hardware

3.1.1 Blok Diagaram Alat

Alat yang dibuat terdiri dari beberapa bagian, dimana blok diagramnya ditunjukkan pada Gambar 3.1.

Gambar 3. 1 Gambar blok diagram alat


3

Perangkat keras dalam Tugas Akhir ini ada beberapa bagian. Bagian-bagian tersebut adalah :

1. Sensor QCM 2. Rangkaian osilator 3. Rangkaian Mixer 4. Board FPGA 5. PC

3.1.2 Perancangan Sensor QCM

Sensor QCM dibuat dari bahan kristal yang terdapat lapisan SiO2 dengan dua elektrode yang mengapitnya. Kristal yang digunakan dengan frekuensi resonansi dasar 20 MHz.

Pada tugas akhir ini digunakan 4 buah sensor QCM yang diberi lapisan polimer berbeda meliputi yaitu OV-101, OV-17, PEG-6000 dan PEG-1540. Polimer merupakan suatu molekul panjang yang terdiri atas banyak blok penyusun yang identik atau serupa yang dihubungkan dengan ikatan-ikatan kovalen. Bahan polimer yang digunakan mempunyai polaritas yang berbeda berdasar pada ketetapan McReynoldnya[4].

Tabel 3. 1 Daftar polimer pada sensor QCM

Perancangan mekanik sensor perlu diperhatikan untuk mendapatkan respon yang baik. Perlu diperhatikan, apakah pemberian gas dilakukan dengan disuntik atau dipompa dengan pompa udara. Pada tugas akhir ini cara pemberian gas dengan dipompa sehingga chamber dari sensor diusahakan dengan volume yang kecil. Seperti terlihat pada gambar 3.2.

Gambar 3.2 Sensor dan chamber-nya

3.1.3 Perancangan Rangkaian Osilator Dan Mixer

Rangkaian osilator yang digunakan adalah model osilator pierce. Osilator Pierce menggunakan kristal sebagai rangkaian tangkinya. Pada osilator ini kristal merespon sebagai rangkaian resonansi paralel[5]. Gerbang inverter digunakan agar sinyal dapat berupa tegangan TTL yaitu sinyal logic (kotak).

Gambar 3. 3 Rangkaian Osilator Pierce

Gambar 3.4 Gambar Output Osilator Penggunaan sensor QCM dengan frekuensi dasar 20 Mhz

menyebabkan interferensi antar kanal sehingga perlu dibuat rangkaian mixer yang berfungsi menurunkan frekuensi dari output osilator. Caranya dengan menggunakan komponen kristal sebagai frekuensi referensi yang dikurangkan dari frekuensi yang dihasilkan oleh sensor sehingga diperoleh selisih keduanya dalam orde khz. Sedangkan komponen yang digunakan adalah IC 74HC74 yang merupakan rangkaian D-Flip-flop. Gambar 3.5 dan 3.6 memperlihatkan skematik dan realisasi dari rangkaian osilator dan mixer.

Gambar 3.5 Skematik Rangkaian Mixer

Gambar 3.6 Realisasi dari rangkaian osilator dan mixer

3.1.4 Perancangan Pencacah Frekuensi

Pada bagian ini dilakukan pengambilan data dari sensor QCM. Untuk mengambil data yang berupa pergeseran frekuensi resonansi, maka dibutuhkan rangkaian untuk mencacah frekuensi. Pada sistem ini digunakan 4 kanal pencacah frekuensi sebesar 24 bit untuk mencacah pergeseran frekuensi resonansi dari sensor QCM. Pencacah frekuensi ini direalisasikan dengan menggunakan teknologi FPGA. Dengan menggunakan kode VHDL maka desain sistem menjadi lebih sederhana karena menggunakan arsitktur behavioral dimana sistem tidak perlu dideskripsikan secara detail tetapi cukup sifat eksternalnya saja.

Pada perancangan ini ada 2 blok utama, yaitu blok penghitung dan blok basis waktu 1 detik. Blok penghitung yang didesain sanggup menghitung dengan batas 24 bit sedangkan blok basis waktu 1 detik untuk menghasilkan sinyal tunda 1 detik sehingga


4

dapat diperoleh jumlah gelombang dalam 1 detik. Setiap pencacah akan menghitung frekuensi yang dihasilkan dari osilator.

Gambar 3.7 Diagram Alir Blok Penghitung

Gambar 3.7 Diagram Alir Blok Basis waktu 1 detik

3.2 Perancangan Software

Perancangan perangkat lunak terdiri dari 2 macam, yaitu perancangan untuk FPGA dengan menggunakan Xilinx ISE Webpack 9.2i dan Delphi 7 pada PC. Xilinx ISE webpack 9.2i ke mikrokontroler yang berfungsi mengakuisisi data keempat sensor kemudian dikirim ke PC secara komunikasi serial untuk diolah. Pada software Delphi digunakan untuk implementasi pelatihan dan pengujian neural network. Jadi data tiap sensor yang telah diakusisi oleh mikrokontroler akan dikirimkan ke PC untuk dinormalisasikan kemudian dijadikan sebagai inputan program pelatihan backpropagation. Kemudian dari proses pelatihan tersebut akan didapatkan bobot-bobot yang digunakan pada proses pengujian. dan pogram pengujian backpropagation.

IV. PENGUJIAN ALAT DAN SOFTWARE 4.1 Pengujian Rangkaian Osilator Dan Mixer 4.1.1 Pengujian Rangkaian Osilator Kristal 20 Mhz

Hasil pengujian menunjukkan sinyal berbentuk square yang tidak sempurna. Akan tetapi, pada pengujian dengan rangkaian counter telah menunjukkan hasil penghitungan frekuensi yang baik.

Gambar 4. 1 Sinyal output osilator kristal 20 Mhz

4.1.2 Pengujian Rangkaian Osilator Dengan Sensor QCM 20Mhz Pengujian rangkaian osilator dengan sensor QCM 20 Mhz

menghasilkan bentuk gelombang sinyal yang hampir sama dengan kristal.

Gambar 4. 2 Sinyal output osilator dengan sensor QCM 20 Mhz

4.1.3 Pengujian Rangkaian Mixer Pengujian rangkaian mixer yang inputnya dari rangkaian resonator kristal dan sensor QCM 20 Mhz. Dari pengujian menunjukkan hasil


5

output-nya berupa gelombang square sempurna yang merupakan selisih frekuensi antara frekuensi yang dihasilkan kristal dan frekuensi yang dihasilkan sensor QCM. Dari pengujian sebelumnya, frekuensi dari kristal ialah 20,0022 Mhz sedangkan frekuensi dari sensor QCM ialah 19,9925 Mhz sehingga frekuensi output yang diharapkan dari rangkaian mixer ialah 20,0022 Mhz dikurangi 19,9925 Mhz, yaitu 9,7 Khz. Tetapi dari hasil pengujian menunjukkan adanya error sebesar 0,13%. Nilai ini dapat diabaikan.

Gambar 4. 3 Sinyal output rangkaian mixer

4.2 Pengujian Pencacah Frekuensi 4.2.1 Pengujian Rangkaian Pencacah Frekuensi 1 kanal 32 Bit dengan Function Generator ditampilkan ke LCD

Pengujian pencacah frekuensi 32 bit dengan memberi sinyal clock inputan dari Function Generator. Pemberian frekuensi sinyal detak terdiri dari 10 Hz; 100 Hz; 1k Hz; 10k Hz; 100kHz; 1M Hz; 10M Hz. Data nilai frekuensi hasil pencacahan dari alat akan ditampilkan pada LCD yang terhubung dengan board FPGA Spartan 3E Starter Kit.

Hasil pengujian rangkaian pencacah untuk setiap nilai frekuensi clock input-nya akan ditunjukkan pada tabel 4.1. Dari data hasil pengujian menunjukkan bahwa ketika frekuensi inputan mencapai nilai 1-10 MHz hasil penghitungan pencacah frekuensi 24 bit menunjukkan adanya getaran nilai dari frekuensi sebesar 2 digit (berkisar 100Hz). Hal ini karena sinyal detak yang dihasilkan Function Generator juga tidak stabil.

Tabel 4. 1 Hasil pengujian pencacah frekuensi 24 bit dengan

function Frekuensi Clock

Function Generator Frekuensi yang dibaca alat (Hz)

Error frekuensi Maksimal (%)

10 Hz 9 10

100 Hz 99 1 1005 Hz 1004 -1005 0,1 10100 Hz 10099 0,01

103.620 Hz 103.622 0,0019 1 MHz 1.000.035 0,00035 10 MHz 999.999.921 0,000079

Dapat dilihat pada gambar 4.4 ketika pengujian dengan menggunakan sinyal detak sebesar 9,6 MHz.

Gambar 4. 4 Hasil pengujian function generator pada frekuensi 9,6

MHz

4.2.2 Pengujian Rangkaian Pencacah Frekuensi 32 Bit 4 kanal dengan mixer yang dikirim dengan serial dan ditampilkan pada program delphi Pengujian pencacah 24 bit, 4 kanal yang akan digunakan pada sistem ini dilakukan dengan memberi sinyal detak dari rangkaian mixer setiap kanal yang terdiri dari empat buah. Data penghitungan frekuensi kemudian dikirim secara serial pada PC kemudian ditampilkan pada program delphi. Hasilnya terlihat pada gambar 4.5 di bawah :

Gambar 4.5 Hasil pengujian pencacah frekuensi 4 kanal yang

ditampilkan pada program delphi Dari hasil pengujian terlihat hasil penghitungan frekuensi dari rangkaian mixer yang jauh lebih kecil (dalam orde khz) apabila dibandingkan dengan output langsung dari osilator sehingga hasilnya lebih stabil. 4.3 Pengujian Sensor QCM

Pada pengujian ini dilakukan pada keempat sensor dengan memberi respon dari tiga jenis odor yaitu spiritus, minyak tanah dan bensin. Data yang diambil setiap sensor adalah rata-rata setiap 80-100 detik. Berikut ini adalah gambar-gambar pola yang dibentuk oleh deret sensor ketika diberi 3 sampel odor.

Gambar 4. 2 Pola yang dihasilkan dari 4 sensor


6

Hasil dari perhitungan rata-rata tiap sensor ketika

diberi 3 sampel gas dapat dilihat dari gambar blok diagram berikut ini:

0

100

200

300

400

500

600

700

800

900

1000

Spiritus Minyak Tanah Bensin

OV-101

OV-17

PEG-6000

PEG-1540

Gambar 4. 3 Pola respon sensor terhadap 3 jenis sample odor

4.4 Bobot Yang Diperoleh Melalui Proses Pelatihan Data Keempat Sensor QCM untuk Jaringan Saraf Tiruan Data dari pengujian masing-masing sampel sebanyak 5 kali dimasukkan sebagai input untuk proses pelatihan JST dengan menggunakan toolbox matlab. Proses ini menghasilkan bobot-bobot sebagai berikut :

Tabel 4. 6 Bobot Dari Input ke Hidden Layer

Tabel 4. 7 Bobot Dari Hidden Ke Output Layer

Pada proses pelatihan ini menggunakan 4 input sensor dengan polimer meliputi OV-101, OV-17, PEG-6000 dan PEG-1540. Dengan lapis tersembunyi (hidden layer) sebanyak satu buah yang berjumlah 8 neuron. Pelatihan ini menghasilkan bobot antara lapis input-tersembunyi dan lapis tersembunyi-output. Hasil yang diinginkan (target) ada 3 buah yaitu spiritus (100), minyak tanah (010) dan bensin (001). 4.5 Pengujian Hasil Pelatihan Data

Bobot yang telah didapatkan dari proses pelatihan data akan digunakan pada proses pengujian. Pengujian data ini

dilakukan dengan menggunakan algoritma backpropagation dengan software Delphi pada komputer.

Data yang digunakan untuk proses pengujian adalah nilai rata-rata pada detik 80-100 dengan satuan hertz. Pengujian dilakukan dengan memberi 15 buah sampel yang terdiri dari 3 jenis odor. Hasil pengujian didapat data pergeseran frekuensi 4 buah sensor yang dapat dilihat pada tabel 4.8.

Tabel 4. 8 Pengujian data

4.6 Hasil Pengujian Data Data hasil pengujian dengan algoritma backpropagation yang lebih lengkap dapat dilihat dalam tabel 4.10 di bawah ini :

Tabel 4. 9 Hasil Pengujian

Pada tabel tersebut ada beberapa kondisi yang tidak sesuai dengan target. Hal ini disebabkan karena data tersebut memiliki pola baru yang tidak dapat dikenali oleh Jaringan Syaraf Tiruan yang dirancang. Dengan adanya pola baru tersebut perlu dilakukan pelatihan data lagi untuk memperoleh hasil yang lebih baik. Dari tabel pengujian tersebut, maka didapat nilai persentase error sebesar :


7

V. PENUTUP

5.1 Kesimpulan Dari hasil pengujian dan pengukuran seluruh sistem dalam Tugas Akhir ini dapat diambil beberapa kesimpulan dan saran untuk keperluan pengembangan selanjutnya adalah sebagai berikut: 1. Interferensi antar kanal akibat output dari resonator

kuarsa yang memiliki frekuensi yang cukup tinggi dapat diatasi dengan menggunakan rangkaian mixer.

2. Keempat buah sensor QCM memliki pola pergeseran frekuensi yang berbeda-beda untuk tiap-tiap sampel gas, yaitu spiritus, minyak tanah dan bensin.

3. Dari keempat bahan polimer yang digunakan, PEG-1540 mempunyai sensitivitas yang paling tinggi terhadap ketiga jenis gas.

4. Pola pergeseran frekuensi dari 4 buah sensor QCM dapat dipakai untuk mendeteksi jenis gas dengan menggunakan algoritma backpropagation dengan error sebesar 6,66%.

5.2 Saran

1. Untuk lebih meningkatkan selektivitas terhadap suatu jenis odor yang diidentifikasi, dapat digunakan lebih banyak deret sensor yang menggunakan polimer berbeda.

2. Sebaiknya algoritma neural network diiimplementasikan menggunakan FPGA sehingga menghemat konsumsi daya dan desain sistem menjadi lebih kompak.

DAFTAR PUSTAKA.

[1] Nakamoto,T., dan Moriizini, T. 1998. ”Odor sensor

using quartz-resonator array and neural-network pattern recognition”, Proceeding Ultrason.

[2] Smith L., Shirazi M., 2004. “Principles of Quartz Crystal Microbalance/Heat Conduction Calorymetry: Measurement of the Sorption Enthalpy of Hydrogen in Palladium”, Chemistry Department, Drexel University.

[3] Kumar Ashok, 2000. “Biosensors Based on Piezoelectric Crystal Detectors”, Jom-e.

[4] Subiyanto, 2000. “Aplikasi Jaringan Syaraf Tiruan sebagai Metode Alternatif Prakiraan Beban Jangka Pendek ”, elektroindonesia.

[5] Rivai, M., Juwono, H., dan Mujiono T., 2008. “Prototipe Sistim Penciuman Elektronik Menggunakan Deret Kristal SiO2 Terlapis Polimer dan Neural Network”. ITS-Research.

[6] “RangkaianOsilator”,<http://www.unej.ac.id/elda>

RIWAYAT PENULIS

Aldi Lairan dilahirkan di Makasar pada tanggal 27 Maret 1986. Merupakan anak bungsu dari enam bersaudara pasangan dari Bpk. Leleng Lairan dan Ibu Kristina Rustam. Penulis memulai pendidikan di bangku TK Menara Makasar pada tahun 1991. Setelah lulus kemudian melanjutkan di SD St. Martinus Makasar mulai tahun 1992 sampai 1998 dan melanjutkan ke SLTP Frater Thamrin Makasar sampai lulus pada tahun 2001.

Kemudian melanjutkan ke SMUN 17 Makasar dan lulus pada tahun 2004. Setelah menamatkan SMU, oleh anugrah Tuhan penulis melanjutkan studinya di Jurusan Teknik Elektro Institut Teknologi Sepuluh Nopember Surabaya melalui jalur SPMB pada tahun 2004. Penulis sempat aktif dalam berbagai organisasi kerohanian mahasiswa diantaranya Persekutuan Mahasiswa Kristen (PMK) ITS dan Kelompok Sel PEMASA. Selain itu sempat sebagai asisten Praktikum Rangkaian Listrik, Elektronika serta Elektronika Analog. Email: [email protected]

aldi lairan - 2204100197digilib.its.ac.id/public/its-undergraduate-10405-paper.pdf · kombinasi 4...

Documents