identifikasi jenis gas di udara terbuka pada sistem sensor...
TRANSCRIPT
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
1
Identifikasi Jenis Gas di Udara Terbuka pada Sistem Sensor
Semikonduktor menggunakan Fast Fourier Transform dan neural Network
Syahrir - 2206100705
Jurusan Teknik Elektro – FTI, Institut Teknologi Sepuluh Nopember
Kampus ITS, Surabaya – 60111
Abstrak - Pada lingkungan industri terdapat beberapa cairan
berbahaya yang mudah menguap seperti spirtus, butana, minyak
tanah, alkohol dan cairan lainnya. Cairan tersebut dapat
mengeluarkan uap khas sehingga kebocoran gas dapat dideteksi
dengan menggunakan sensor gas semikonduktor. Pada
pendeteksian di udara terbuka tingkat identifikasi masih rendah
dikarenakan intensitas uap yang berfluktuatif. Dalam tugas
akhir ini dibuat alat pengidentifikasi jenis gas pada udara
terbuka dengan menggunakan deret sensor semikonduktor yang
berbeda-beda seperti TGS 2600, TGS 2610, dan TGS 2620.
Metode pemrosesan awal yang digunakan adalah dalam domain
frekuensi seperti Fast Fourier Transform(FFT). Spektrum
frekuensi yang dihasilkan adalah spesifik untuk setiap uap yang
terdeteksi. Pola dari FFT dapat dikenali secara otomatis oleh
jaringan syaraf tiruan back propagation yang menggunakan 12
node input, 5 neuron pada 1 hiden layer dan 5 neuron output.
Hasil dari pengidentifikasian jenis gas ini ditampilkan pada
komputer. Dari hasil pengujian sistem ini dapat
mengidentifikasi udara bersih, amoniak, minyak tanah
memberikan tingkat kesalahan 0 %, spirtus 30 % , dan butana
10 %.
Kata kunci : gas,udara terbuka, deret sensor semikonduktor,
FFT, jaringan saraf tiruan.
I. PENDAHULUAN
Kebocoran gas yang tidak diketahui dapat mengakibatkan
kerusakan serta penurunan kualitas udara sekitar, sehingga
diperlukan suatu alat pendeteksi kebocoran gas. Pada saat ini
sensor semikonduktor telah banyak digunakan di dunia industri.
Dalam analisa kesehatan dapat dikembangkan hingga ke level
mendeteksi suatu penyakit ginjal melalui aroma urine dan
penyakit TBC melalui aroma pernapasan. Sensor semikonduktor
FIGARO merupakan sensor yang dapat mendeteksi berbagai
macam kontaminasi gas di udara. Dengan mengetahui adanya
kandungan gas diudara maka dapat dideteksi apakah terdapat
kebocoran atau tidak. Dengan memanfaatkan sifat pencium
seperti yang dimiliki oleh manusia maka kita dapat mengadopsi
sifat tersebut untuk mendeteksi gas. Gas tersebut dapat
diidentifikasi menggunakan jaringan saraf tiruan, namun sensor
gas semikonduktor mempunyai pola klasifikasi yang rendah
sehingga pengidentifikasian secara online sering tidak tepat.
Oleh karena itulah dengan dengan menggunakan metode dalam
domain frekuensi seperti Fast Fourier Transform (FFT)
diharapkan membentuk suatu sistem yang stabil untuk data
sampel yang berubah secara dinamik.
II. TEORI PENUNJANG
2.1 Sensor Gas Semikonduktor
Bahan sensor pada sensor gas TGS adalah metal oxide
SnO2[1]. Sebuah kristal metal oxide seperti SnO2 dipanaskan
pada suhu tinggi tertentu kemudian gas oksigen diserap pada
permukaan kristal dengan sebuah muatan negatif, selanjutnya
donor elektron pada permukaan kristal disalurkan menuju
oksigen yang diserap yang menghasilkan muatan positif meninggalkan
dalam lapisan celah muatan. Dengan demikian potensial permukaan
dibentuk untuk menyediakan sebuah penghalang untuk melawan
aliran elektron. Pada bagian dalam sensor, aliran arus listrik melalui
bagian grain boundary dari kristal mikro SnO2. Pada grain boundary
oksigen yang diserap membentuk sebuah potensial penghalang yang
mencegah karier untuk bergerak bebas. Hambatan elektris dari sensor
dihubungkan ke potensial penghalang ini. Pada saat terdapat gas,
kepadatan permukaan dari muatan negatif oksigen berkurang sehingga
ketinggian penghalang pada grain boundary turut berkurang.
Pengurangan ketinggian penghalang menyebabkan hambatan sensor
menjadi berkurang pula. Gambar 2.1 menunjukkan pengurangan dari
grain boundary.
Hubungan antara hambatan sensor dengan konsentrasi dari gas
dapat dinyatakan dalam Persamaan 2.1 melalui sebuah range
konsentrasi gas tertentu:
RS = A[C]-α (2.1)
dimana: RS = Hambatan elektris dari sensor
A = konstanta
[C] = konsentrasi gas
α = lekuk dari kurva Rs
Gambar 2. 1 Model dari inter-grain potensial penghalang pada saat
gas-gas tertentu tidak ada.
Gambar 2. 2 Model dari inter-grain potensial penghalang pada saat
gas-gas tertentu muncul.
Jenis sensor gas yang digunakan dalam tugas akhir ini adalah
TGS 2600,TGS 2620, dan TGS 2610 yang diproduksi oleh Figaro Inc.
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
2
2.2 Fast Fourier Transform (FFT)
Fast Fourier Transform (FFT) adalah suatu algoritma
untuk menghitung diskrit fourier transform dengan cepat dan
efesien. Fast Fourier Transform diterapkan dalam berbagai
bidang, mulai dari pengolahan sinyal digital, memecahkan
permasalahan diferensial amplifier dan untuk mengalikan
bilangan bulat besar. Transformasi diskrit fourier didefenisikan
rumus[4]:
(2.2)
(2.3)
Dimana WN disibtitusi dari e-j(2π/N) algoritma yang
dikomposisi yang berdasarkan urutan pemisahan x(k) kedalam
urutan yang kecil yang dikenal dengan pengurangan waktu
dalam algoritma. Pada dasarnya pengurangan dalam waktu
disajikan dalam N. untuk Y(k) dapat dibentuk melalui N/2 titik
dengan urutan yang bernomor titik genap x(k) dan bernomor
titik ganjil x(k) secara berurut Dalam notasi kompleks, waktu
dan domain frekuensi masing-masing berisi satu sinyal dari
kompleks poin N.Dengan demikian kita memperoleh rumus:
(2.4)
2.3 Jaringan Syaraf Tiruan Back-Propagation
Jaringan Syaraf Tiruan (JST) adalah model sistem
komputasi yang bekerja seperti sistem saraf biologis pada saat
berhubungan dengan 'dunia luar', nama jaringan syaraf tiruan
merupakan terjemahan dari "Artificial Neural Network".
Terjemahan yang diambil bukan jaringan syaraf buatan seperti
dalam menterjemahkan Artificial Inteligent (AI). 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. .
Back propagation yang digunakan memiliki 12 unit node
input, 5 unit neuron dalam satu layar tersembunyi, dan 5 unit
neuron output. Gambar 2.4 merupakan arsitektur dari back
propagation yang digunakan.
Gambar 2. 4 JST Backpropagation dengan satu lapisan dalam.
Pelatihan back propagation meliputi 3 fase[6]. Fase pertama
adalah fase maju. Pola masukan dihitung maju mulai dari masukan
hingga layer keluaran menggunakan fungsi aktifasi yang ditentukan.
Fase kedua adalah fase mundur. Selisih antara keluaran jaringan
dengan target yang diinginkan merupakan kesalahan yang terjadi.
Kesalahan dipropagasikan mundur, dimulai dari garis yang
berhubungan langsung dengan unit-unit keluaran. Fase ketiga
memodifikasi bobot untuk menurunkan kesalahan yang terjadi.
III. PERANCANGAN ALAT
3.1 Blok Diagaram Sistem
Alat yang dibuat terdiri dari beberapa bagian, dimana blok
diagramnya ditunjukkan pada Gambar 3.1.
Gambar 3.1 Gambar blok diagram sistem
3.2 Perancangan Perangkat Keras
Gambar 3.2 Alat pengidentifikasian jenis gas.
Perangkat keras dalam Tugas Akhir ini ada beberapa bagian.
Bagian-bagian tersebut adalah :
1. Perangkat ekstraksi gas.
2. Rangkain sensor.
3. Minimum sistem mikrokontroler.
3.2.1 Perangkat Ekstraksi Gas
Perangkat keras yang digunakan untuk mendapatkan gas
yang akan dideteksi adalah berupa cerobong untuk menghisap udara
luar. Didalam cerobong terdapat deret sensor gas. Untuk memperoleh
gas yang akan diidentifikasi maka gas diletakkan pada suatu wadah
yang diletakan pada ruangan[7].
NjeW /2
1
0
)()(N
n
nkWnXkY
1,...,1,0 Nk
12/
0
)12(12/
0
2)12()2()(
N
p
kp
N
N
p
pk
N WpxWpxkY
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
3
3.2.3 Rangkaian Sensor
Sensor semikonduktor yang dipakai sebanyak 3 jenis
yaitu TGS 2600, TGS 2620, dan TGS 2610.Untuk rangkaian
yang dipakai mengacu pada rangkaian dasar pengukuran bagi
sensor Figaro TGS. Rangkaian sensor ini sama untuk. Nilai
hambatan beban yang digunakan adalah sebesar 10KΩ yang
sesuai dengan data sheet yaitu minimal 450Ω untuk sebuah
sensor.
Gambar 3.3 Rangkaian sensor.
3.2.4 Minimum Sistem Mikrokontroler
Rangakaian mikrokontroler yang dibuat adalah sama
seperti yang ada di data sheet ATMega16[2]. Rangkaian ini
perlu dibuat agar mikrokontroler dapat bekerja dan menjalankan
perannya sebagai otak dari rangkaian. Fungsi port-port yang
digunakan dapat dilihat pada Tabel 3.1
Tabel 3.1 Fungsi tiap port.
PORT FUNGSI
PORT A ADC
PORT B tidak digunakan
PORT C Akses LCD
PORT D komunikasi serial
3.3 Perancangan Perangkat lunak
Perancangan perangkat lunak di bagi menjadi dua yaitu
software pada mikrokontroler ATMega 16 dan software pada
komputer yaitu delphi 7.
3.3.1 Perancangan perangkat lunak Fast Fourier Transform.
Gambar 3.4 Flowchart program
Pada program delphi 7 diterapkan algoritma FFT. Data yang
diperoleh dari akuisisi pada ADC mikrokontroler dikirimkan
melalui komunikasi serial[3], setelah diterima maka akan diolah
ke FFT.
Gambar 3.5 Flowchart program
Pada program delphi 7 diterapkan algoritma back
propagation. Data yang diperoleh dari FFT diinputkan ke
jaringan saraf tiruan maka akan dimulai propagasi maju,
propagasi mundur, dan update bobot. proses diatas berulang
sampai dengan 500000 kali Setelah itu jaringan sudah dapat
dipakai untuk proses identifikasi, output dari proses diatas
dibangdingkan dengan suatu nilai batas dan diperoleh hasil
identifikasi.
IV. PENGUJIAN ALAT
4.1 Pengujian sensor.
Data yang diambil berasal dari respon sensor semikonduktor
yaitu TGS 2600, TGS 2620, dan TGS 2610. Data respon sensor
terhadap setip gas uji dikirim ke komputer setiap satu detik dengan
time sampling adalah satu detik kemudian data sensor diubah
kedomain frekuensi dengan menggunakan Fast Fourier Transform
(FFT), dan hasil dari FFT digunakan sebagai data input dalam
pelatihan jaringan saraf tiruan algoritma backpropagation. Grafik
respon sensor terhadap gas dan FFT spirtus, minyak tanah, butana,
amoniak ditunjukkan pada gambar 4.1 dan gambar 4.2.
udara bersih minyak tanah
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
4
spirtus amoniak
butana
Gambar 4.1 Respon sensor terhadap gas uji
Gambar 4.2 Grafik FFT setiap gas uji.
Tabel 4.1 Data Fast Fourier Transform untuk setiap gas uji.
Gas Uji Frekuensi Tgs 2600 Tgs 2610 Tgs 2620
Udara bersih 0 1.197812557 0.849688 1.025625
0.015625 0.001023633 0.004608 0.006529
0.03125 0.001316887 0.00227 0.006567
0.046875 0.001366296 0.005072 0.00316
Minyak tanah 0 2.062187672 1.087812 1.901562
0.015625 0.225867137 0.039921 0.188204
0.03125 0.138198987 0.051963 0.166406
0.046875 0.082444809 0.065505 0.137457
Spirtus 0 3.219531059 1.87875 3.017344
0.015625 0.354973942 0.339137 0.419203
0.03125 0.365964949 0.431078 0.406052
0.046875 0.343868524 0.307853 0.362998
Amoniak 0 1.464687586 1.546875 1.193281
0.015625 0.077336088 0.235878 0.014848
0.03125 0.05676841 0.063321 0.058584
0.046875 0.017245118 0.089229 0.011532
Butana 0 2.130781174 1.965469 1.982344
0.015625 0.523323238 0.654839 0.554112
0.03125 0.374357879 0.570561 0.430406
0.046875 0.159070656 0.119105 0.13709
Normalisasi
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
5
Gambar 4.3 Pola input setelah normalisasi.
4.2 Pengujian Real Time
Setelah diperoleh bobot yang sesuai maka akan
dilakukan proses pengujian Real time. Pengujian ini dilakukan
untuk menguji tingkat pengidentifikasian dengan menggunakan
metode Fast Fourier Transform dan jaringan saraf tiruan hasil
pengujian dapat dilihat pada tabel 4.3
Tabel 4.3 Hasil pengujian real time dengan FFT
Sample target keluaran Sukses/gagal
udara bersih(sample 1) 10000 sukses
minyak tanah(sample2) 01000 sukses
minyak tanah(sample3) 01000 sukses
spirtus(sample 4) 00100 sukses
spirtus(sample 5) 00100 sukses
udara bersih(sample 6) 10000 sukses
amoniak(sample 7) 00010 sukses
minyak tanah(sample 8) 01000 sukses
butana(sample 9) 00001 sukses
butana(sample 10) 00001 sukses
udara bersih (sample 11) 10000 sukses
butana(sample12) 00001 gagal
spirtus(sample13) 00100 gagal
amoniak(sample 14) 00010 sukses
spirtus (sample 15) 00100 sukses
butana (sample 16) 00001 sukses
amoniak (sample 17) 00010 sukses
amoniak (sample 18) 00010 sukses
udara bersih (sample 19) 10000 sukses
minyak tanah (sample 20) 01000 sukses
4.3 Pengujian tanpa Fast Fourier Transform (FFT) Pada pelatihan ini digunakan 15 buah input yaitu masing-
masing 4 dari data tegangan sensor TGS 2600, TGS 2610, dan
TGS 2620. Dari tabel 4.6 dan hasil normalisasi gambar 4.3
dapat dilihat setiap gas memiliki keadaan yang berbeda pada
setiap sensor, hal inilah yang digunakan sebagai data pada
pelatihan. Dengan lapisan hidden layer sebanyak satu buah yang
berjumlah 5 neuron sedangkan output yang diinginkan sebanyak
5 buah yaitu udara bersih (100000), minyak tanah (010000),
spirtus (001000), amoniak (000010), dan butana (000001). Dari
proses pelatihan data ini akan diperoleh bobot yang sesuai
dengan sistem. Setelah itu bobot akan disimpan ke proses
identifikasi forward jaringan saraf tiruan.
Tabel 4.4 Data tegangan sensor
Gas uji detik Tgs 2620 Tgs 2600 Tgs 2610
Udara bersih 10 1.02 1.2 0.84
20 1.02 1.2 0.82
30 1.02 1.2 0.84
40 1.04 1.2 0.86
100 1.04 1.2 0.84
Minyak tanah 10 1.65 1.74 1.12
20 2.2 2.14 1.22
30 1.88 2.1 1.1
40 2.02 2.23 1.06
100 1.74 2.04 1.04
Spirtus 10 3.31 3.53 1.94
20 2.86 3.16 1.59
30 3.18 3.31 1.92
40 3.29 3.55 1.96
100 3.35 3.37 2.25
Amoniak 10 1.25 1.55 1.31
20 1.16 1.53 1.53
30 1.16 1.45 1.63
40 1.23 1.45 1.76
100 1.1 1.23 1.51
Butana 10 2.04 1.94 2.1
20 1.63 1.92 1.39
30 1.43 1.72 1.29
40 2.69 2.55 3.06
100 1.74 1.86 1.84
Gambar 4.4 Pola input setelah normalisasi
4.4 Pengujian Real Time tanpa Fast Fourier
Transform Setelah diperoleh bobot yang sesuai maka akan dilakukan
proses pengujian Real time.
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
6
Tabel 4.6 Hasil pengujian real time tanpa FFT
Sample target keluaran Sukses/gagal
udara bersih(sample 1) 10000 gagal
minyak tanah(sample2) 01000 sukses
minyak tanah(sample3) 01000 sukses
spirtus(sample 4) 00100 gagal
spirtus(sample 5) 00100 gagal
udara bersih(sample 6) 10000 gagal
amoniak(sample 7) 00010 sukses
minyak tanah(sample 8) 01000 sukses
butana(sample 9) 00001 sukses
butana(sample 10) 00001 sukses
udara bersih (sample 11) 10000 gagal
butana(sample12) 00001 sukses
spirtus(sample13) 00100 gagal
amoniak(sample 14) 00010 sukses
spirtus (sample 15) 00100 gagal
butana (sample 16) 00001 sukses
amoniak (sample 17) 00010 sukses
amoniak (sample 18) 00010 sukses
udara bersih (sample 19) 10000 gagal
minyak tanah (sample 20) 01000 sukses
Dari hasil kesimpulan pengujian sistem dengan metode FFT dan
tanpa FFT didapatkan perbandingan seperti yang diperlihatkan
tabel 4.7.
Tabel 4.7 perbandingan pengujian sistem
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. Penggunaan 3 deret sensor semikonduktor yaitu TGS
2600,TGS 2620,TGS 2610 dapat mendeteksi uap udara
bersih,minyak tanah,spirtus,amoniak,butana.
2. Hasil pengujian sistem ini dengan menggunakan Fast Fourier
Transform dapat mengidentifikasi udara bersih, amoniak,
butana dan minyak tanah memberikan tingkat kesalahan 10 %,
spirtus 30 % .
3. Hasil pengujian sistem ini tanpa menggunakan Fast Fourier
Transform dapat mengidentifikasi udara bersih dan spirtus
memberikan tingkat kesalahan 50 %, minyak tanah 20 % ,
amoniak dan butana 30 %.
4. Dengan menggunakan 12 node input layer, 5 node hiden layer
dan 5 node output layer pada algoritma backpropagation sudah
dapat digunakan untuk pengidentifikasian jenis gas.
1.1 Saran
1. Karena gas uji terletak di udara terbuka maka desain mekanik
harus benar-benar kedap udara.
2. Untuk pengidentifikasian real time di mikrokontroler dengan
menggunakan metode Fast Fourier Transform dan jaringan
DAFTAR PUSTAKA
[1] Figaro Engineering Inc 2004. General Information for
TGS Sensors, <URL:http: //www.figarosensor.com/>, 8
januari 2010, 19.00 WIB.
[2] Budiarto,widodo.2007. Panduan Praktikum
Mikrokontroler AVR Atmega 16.
[3] Setiawan,Rachmad.2008. Teknik Akuisisi
Data.Yogyakarta:Graha ilmu.
[4] Tompkins,Willis j.1995. Biomedical Digital Signal
Processing.New Jersey:Prentice Hall.
[5] Smith, Steven W.1999. Scientits and Engineers Guide to
Digital Signal Processing. San Diego:california technical.
[6] Ham, fredric M and kostanic, ivica.2001 . Principles of
Neourocomputing For Science and
Engineering.Singapore:Mc Graw Hill.
[7] H.K. Hong, C.H. Kwon, S.R. Kim, D.H. Yun, K.lee, Y.K.
Sung.1999. Portable electronic nose system with gas
sensor array and artificial network.
[8] N.Nimsuk, T.Nakamoto.2007.Improvement of capability
for classifying odors in dynamically changing
concentration using QCM sensor array and short time
fourier transform.
BIODATA PENULIS
Penulis dilahirkan di Makassar 19 Desenber
1986, merupakan anak pertama dari tiga
bersaudara. Penulis memulai pendidikan
formal di SD Inpres Antang 3 06 MKS, di
lanjutkan di SMPN 23 MKS dan SMKN 5
MKS. Pada tahun 2006 diterima di jurusan
teknik elektro its. Pada tugas akhir ini penulis
telah menyelesaiakan project yang telah direncanakan yaitu
identifikasi jenis gas diudara terbuka menggunakan metode fast
fourier transform dan neural network sehingga dapat digunakan untuk
keperluan yang berguna bagi dunia pendidikan.