identifikasi jenis gas di udara terbuka pada sistem sensor...

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.


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

http://elektroindonesia.com/elektro/ener29g1.gif


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


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


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


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


udara bersih (sample 11) 10000 sukses

butana(sample12) 00001 gagal

spirtus(sample13) 00100 gagal


spirtus (sample 15) 00100 sukses

butana (sample 16) 00001 sukses

amoniak (sample 17) 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.


6

Tabel 4.6 Hasil pengujian real time tanpa FFT

Sample target keluaran Sukses/gagal

udara bersih(sample 1) 10000 gagal



spirtus(sample 4) 00100 gagal

spirtus(sample 5) 00100 gagal

udara bersih(sample 6) 10000 gagal


minyak tanah(sample 8) 01000 sukses



udara bersih (sample 11) 10000 gagal

butana(sample12) 00001 sukses

spirtus(sample13) 00100 gagal


spirtus (sample 15) 00100 gagal

butana (sample 16) 00001 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.

identifikasi jenis gas di udara terbuka pada sistem sensor...

Documents