seminar nasional teknologi informasi dan...

251

ISBN: 979-26-0280-1

Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015

Deteksi Kandungan Formalin Pada Tahu Menggunakan Sensor Gas Dengan Metode

Pembelajaran Learning Vector Quantization (LVQ)

Fristhio Norpi*)

, Andrizal**)

, Budi Rahmadya***)

, Derisma****)

*†***†**** Sistem Komputer, Universitas Andalas

** Elektro, Politeknik Negeri Padang

E-Mail: *[email protected],

** -,

***[email protected],

**** -

Abstrak

Tahu adalah salah satu makanan pokok yang banyak dijual di pasar dengan harga

terjangkau, namun tahu itu sendiri banyak mengandung zat kimia berbahaya, salah

satunya adalah formalin. Penelitian ini bertujuan untuk mendeteksi gas yang berasal

dari tahu apakah tahu mengandung formalin atau tidak. Gas Formaldehyde

merupakan gas yang akan dijadikan penelitian. Sistem yang dirancang menggunakan

sensor gas MQ-138 yang berfungsi untuk mendeteksi gas Formaldehyde yang

terkandung pada tahu. Untuk pembuatan pola data gas, sistem ini menggunakan

metode Fast Fourier Transform (FFT) Pembuatan pola data nantinya dapat dijadikan

identifikasi dengan menggunakan metode Jaringan syaraf tiruan Learning Vector

Quantization (LVQ) Setelah dilakukan pengujian, hasil yang diperoleh untuk masing-

masing sampel tahu berbeda-beda, untuk tahu yang tidak mengandung formalin

dideteksi dengan tingkat keberhasilan 100%, tahu mengandung formalin 2 ml 75%,

tahu mengandung formalin 4 ml 100%, tahu mengandung formalin 6 ml 75%, tahu

mengandung formalin 8 ml 100%, dan tahu mengandung formalin 10 ml 100%.

Sedangkan untuk sampel acak yang didapat dari 9 pedagang berbeda, diperoleh hasil 9

sampel tahu yang tercampur formalin dan 0 sampel tahu tidak mengandung formalin

dengan kadar formalin yang berbeda.

Kata Kunci : Fast Fourier Transform, Formaldehdye, Formalin, Learning Vector

Quantization, MQ-138, Sensor Gas.

1. PENDAHULUAN Makanan adalah kebutuhan pokok yang

diperlukan oleh tubuh manusia, jika makanan

tidak memenuhi standar keamanan, mutu dan gizi

akan memberi efek negative bagi tubuh manusia.

Oleh karena itu perlu seleksi terhadap makanan

sebelum dikonsumsi agar manusia terhindar dari

makanan yang membahayakan kesehatan.

Saat ini banyak sekali bahan kimia dan

campuran zat-zat lain yang digunakan dalam

produksi makanan sehingga lebih efektif dan

efisien dalam penyajiannya, tanpa mempedulikan

efek samping yang akan diterima oleh konsumen.

Salah satu bahan kimia tersebut adalah larutan

formalin.

Formalin merupakan nama dagang dari

campuran formaldehyde (CH2O), Methanol dan

Air. Formalin yang beredar dipasaran mempunyai

kadar Formaldehyde bervariasi, antara 37% -

40% [1]. Konsumsi terhadap formalin baik dalam

jangka pendek maupun jangka panjang

mengakibatkan berbagai macam penyakit bahkan

kematian[5].

Bau gas pada makanan yang mengandung

formalin ini dapat diketahui dengan

menggunakan peralatan instrumentasi yang

komponennya menggunakan sensor gas yang

sensitif terhadap gas tersebut. Salah satu sensor

yang dapat digunakan adalah sensor gas MQ-138

yang sensitif terhadap formaldehyde (CH2O).

Data output dari sensor tersebut dapat diolah

untuk mendapatkan pola data unsur gas

formaldehyde dengan menggunakan metode Fast

Fourier Transform (FFT). Pola data yang

didapat, dijadikan sebagai bahan masukan pada

Jaringan Syaraf Tiruan (JST), yang merupakan

bagian proses untuk pengambilan keputusan.

mailto:[email protected]

mailto:budi-r@

252

ISBN: 979-26-0280-1


Salah satu metode yang dapat melakukan proses

training pola data dalam (JST) adalah metode

Learning Vector Quantization (LVQ).

2. METODOLOGI PENELITIAN

2.1. Rancang Penelitian

Pada penelitian ini, metode yang digunakan

adalah pendekatan terstruktural model proses

sekuensial linear. Penulis membuat rancangan

penelitian atau proses yang akan dikerjakan

dalam membangun perangkat lunak perancangan

sistem deteksi formalin menggunakan sensor gas

dengan membandingkan pola data yang diuji

terhadap pola data yang ada sebagai acuan.

Gambar 1. Rancangan Penelitian

3. HASIL DAN PEMBAHASAN

3.1. Pengoperasian Sistem

Dalam proses pengambilan sampel data dan

pengoperasian sistem, perlu dilakukan beberapa

langkah agar sistem bekerja dengan baik,

diantaranya:

1. Proses Pemanasan Heater Sensor

Proses ini dilakukan agar sensor bekerja

dengan baik dalam membaca gas yang

dideteksinya sehingga dapat memperoleh nilai

tegangan yang stabil sebelum sampel data

dimasukkan. Proses pemanasan heater ini

dilakukan selama 5-7 menit atau tegangan awal

mencapai 1,4 V.

2. Proses Pengambilan Sampel Data

Proses ini dilakukan sebanyak 10 kali

percobaan, dimana setiap percobaan dilakukan

selama 32 counter dengan delay 500 ms (0,5 s)..

3. Proses Transform Sinyal dan Penyimpanan

Data

Proses ini dilakukan di PC/laptop dengan

menggunakan program Borland Delphi.

Penyimpanan ini terdiri dari penyimpanan data

input dan data output yang akan disimpan ke

Microsoft Excell.

4. Proses Training Learning Vector

Quantization.

Proses ini dilakukan untuk mendapatkan

nilai bobot akhir yang digunakan sebagai

pembanding untuk mengetahui sampel yang diuji

berformalin atau tidak. Nilai input training

didapatkan sebanyak 4 input yang berasal dari 32

frekuensi nilai magnitude hasil ouput FFT

masing-masing sampel tahu, sampel yang

digunakan ada 6, yaitu tahu normal (tidak

berformalin), berformalin 2 ml, 4 ml, 6 ml, 8 ml

dan 10 ml. Kemudian dibandingkan dengan

pemrograman Matlab untuk mendapatkan nilai

bobot akhir. Nilai bobot tersebut akan digunakan

untuk proses identifikasi.

5. Proses Identifikasi Learning Vector

Quantization

Proses ini dilakukan untuk menguji apakah

sampel tahu tersebut tidak berformalin atau

berformalin 2 ml, 4 ml 6 ml, 8 ml dan 10 ml.

Nilai input identifikasi diperoleh secara langsung

dari sampel tahu yang diambil nilai magnitude

hasil output FFT-nya sebanyak 4 input.

Kemudian nilai input akan dibandingkan dengan

bobot identifikasi, dimana akan dihasilkan selisih

terhadap masing bobot. Bobot yang memiliki

selisih terkecil akan di jadikan output hasil

identifikasi, dimana masing-masing bobot

mewakili satu kelas target.

3.2. Pengujian respon sistem

Pengujian respon sistem ini memperlihatkan

data uji tiap sampel. Sampel terdiri dari Tahu

tidak mengandung formalin dan Tahu yang

dicampur Formalin dengan komposisi 2 ml, 4 ml,

6 ml dan 10ml.

Ketika tabung/ wadah sampel ditutup dengan

sensor gas sensor gas akan mengeluarkan hasil

respon sensor dan akan ditampilkan dalam bentuk

grafik (Gambar 2).

253

ISBN: 979-26-0280-1


Gambar 2. Respon Sensor Terhadap Formalin

3.3. Uji Training Learning Vector Quantization

Input data yang diambil adalah nilai

magnitude dari 32 counter tersebut, dimana nilai

itu berasal dari hasil output FFT. Ada 4 output

data yang diambil sebagai input untuk proses

training, yaitu counter ke- 4, 8, 12 dan 16.

Proses training learning vector quantization

dilakukan dengan pemrograman Matlab untuk

dapat menghasilkan nilai bobot. Untuk proses

training ini target kelas sudah ditentukan terlebih

dahulu, dimana kelas tersebut yang akan

dijadikan hasil identifikasi terhadap sampel yang

akan diuji. Kelas ditentukan berdasarkan data

input sampel mana yang diambil. Karena terdapat

6 sampel tahu maka kelas yang digunakan juga 6,

dimana masing-masing kelas mewakili ouput dari

hasil identifikasi.

Tabel 1. Input Data Training Learning Vector

Quantization

X1, X2, X3 dan X4 merupakan 4 counter

tadi yang dijadikan input pada proses training,

banyak data yang digunakan adalah 36 data.

Dalam proses training LVQ ini 6 data pertama

dijadikan bobot awal untuk training. Setelah

dilakukan proses training akan didapat bobot

akhir yang akan digunakan untuk proses

identifikasi.

Tabel 2. Bobot Akhir Hasil Training LVQ

3.4. Uji Identifikasi

Proses identifikasi yang dilakukan hampir

sama dengan proses training. Data yang

diidentifikasi akan memiliki jarak masing-masing

dengan 6 bobot akhir yang telah ditetapkan, maka

jarak terpendek merupakan hasil identifikasi dari

data tersebut. kemudian program akan

menampilkan langsung hasil dari identifikasi.

254

ISBN: 979-26-0280-1


1. Tahu tidak berformalin

Tabel 3. Identifikasi sampel tidak berformalin

4 kali percobaan

Output hasil identifikasi menunjukan jarak

terpendek terdapat pada output Y1(Tidak

Berformalin).

2. Berformalin 2 ml

Tabel 4. Identifikasi sampel berformalin 2ml 4

kali percobaan


terpendek terdapat pada output Y2 sebanyak 3

kali dan Y1 1 kali (Berformalin 2 ml).

3. Berformalin 4 ml

Tabel 5. Identifikasi sampel berformalin 4 ml 4

kali percobaan

Dapat dilihat dari Output hasil identifikasi

menunjukan jarak terpendek terdapat pada output

Y3 (Berformalin 4 ml.).

4. Berformalin 6 ml

Tabel 6. Identifikasi sampel berformalin 6 ml 4

kali percobaan


terpendek terdapat pada output Y4 sebanyak 3

kali dan Y5 1 kali (Berformalin 6 ml).

255

ISBN: 979-26-0280-1


5. Berformalin 8 ml

Tabel 7. Identifikasi Sampel berformalin 8 ml

4 kali percobaan


terpendek terdapat pada output Y5 (Berformalin

8 ml).

6. Berformalin 10 ml

Tabel 8. Identifikasi sampel berformalin 10 ml

4 kali percobaan

Hasil dari simulasi menunjukan jarak

terpendek terdapat pada output Y6, dimana Y6

mewakili dari kelas 6. Maka sampel ini

teridentifikasi sebagai Berformalin 10 ml.

4. KESIMPULAN 1. Sensor MQ-138 memiliki sensitivitas yang

cukup tinggi terhadap unsur gas

formaldehyde (CH2O) yang ada pada tahu.

2. Ouput hasil FFT yang dijadikan input untuk

training Learning Vector Quantization hanya

dibutuhkan 4 input.

3. Berdasarkan uji sistem terhadap 9 sampel

acak, diperoleh 1 sampel berformalin 2 ml, 5

sampel berformalin 4 ml, 2 sampel

berformalin 6 ml dan 1 sampel berformalin 8

ml.

4. Metode Jaringan Syaraf Tiruan dengan

training Learning Vector Quantization dapat

digunakan untuk mengidentifikasi apakah

sampel tahu tidak berformalin atau

berformalin 2 ml, 4 ml, 6 ml, 8 ml dan 10 ml

dengan inputan yang berasal dari nilai

magnitude output metode FFT.

5. DAFTAR PUSTAKA [1] Purwanti, R. dan Widowati, D. (2003),

Deteksi Formalin Dan Penentuan Total

Angka Kuman Pada Tahu Yang Dijual di

Pasar Kartasura. Harmacon Pharmaceutical

Journal Of Indonesia.

[2] Saparindo dan Hidayati. (2006). Penggunaan

Formalin dan dampak bagi kesehatan.

Medan. Universitas Sumatera Utara.

[3] Hidayati, Nurul. (2010). Prediksi

Terjangkitnya Penyakit Jantung Dengan

Metode Learning Vector Quantization.

Semarang. FMIPA Universitas Diponegoro.

[4] Agustina, Alfa Ceria. (2010). Pengenalan

Aksara Jawa Menggunakan Learning Vector

Quantization (LVQ). Teknik Informatika,

Fakultas Teknologi Informasi,Universitas

Kristen Duta Wacana.

[5] Departemen Kesehatan Indonesia. (2007).

Mengenal Formalin. URL: http://Oke.or.id.

Diakses tanggal 29 November 2013.

seminar nasional teknologi informasi dan...

Documents