PENDETEKSI JENIS TEH MENGGUNAKAN DERET SENSOR TIN – OXIDE DAN NEURAL NETWORK Saifun Nur – 2206 100 146 Pembimbing : Dr. Muhammad Rivai, ST., MT. Jurusan Teknik Elektro – FTI, Institut Teknologi Sepuluh Nopember Kampus ITS, Surabaya – 60111
Abstrak - Jenis dari teh dapat ditentukan sebagian besar oleh rasa dan bau berdasarkan jumlah campuran bahan organik yang mudah menguap dan tidak mudah menguap. Proses pendeteksian sebelumnya telah dilakukan dengan menggunakan metode analitis konvensional, yang melibatkan kombinasi antara ahli teh dan instrumentasi skala besar. Metode ini sangat mahal dalam kaitan waktu dan tenaga kerja karena membutuhkan peralataan yang sangat komplek. Tingkat ketelitian dari analisa yang dilakukan oleh ahli teh menjadi rendah pada kondisi tertentu karena indera pengecap dan penciuman ahli teh bergantung pada kelembaban, suhu dan kondisi fisik. Pada Tugas Akhir ini telah dirancang dan dibuat alat untuk mendekati hasil penciuman yang dilakukan para ahli teh. Dibutuhkan aktivator sebagai pembangkit aroma dari teh berupa air panas (60°C), sehingga zat yang mudah menguap dalam teh dapat dibangkitkan. Kemudian gas tersebut dideteksi menggunakan sensor tin - oxide dan dilakukan proses perubahan sinyal analog menjadi sinyal digital (ADC). Setelah proses ADC, dilakukan proses pelatihan neural network menggunakan error backpropagation untuk proses clustering terhadap parameter jenis yang telah ditentukan sebelumnya. Kemudian hasil pelatihan ditampilkan untuk menentukan Jenis teh yang diujikan. Dimana tingkat keberhasilannya mencapai 70% dari 10 kali pengujian yang telah dilakukan
keseluruhan dalam satu paket yakni secara aroma, kandungan kimiawi dan struktur tulang daun.
II.
TEORI PENUNJANG Teori yang digunakan meliputi Sensor TGS, perhitungan menggunakan baseline, Neural Network menggunakan MLP (multilayer perceptron) dengan metode error backpropagation. 2.1
Sensor TGS (2602, 2620, 2611) Sensor semikonduktor yang ditunjukkan pada Gambar 2.1 digunakan untuk mengukur konsenstrasi gas yang terdeteksi terdapat pada bagian membran sensor. Jenis dari sensor TGS sangat banyak, setiap tipe dari sensor tersebut dibuat secara khusus untuk digunakan pada gas tertentu. Konsenstrasi gas tersebut mempengaruhi perubahan tingkat resistansi yang disimbolkan Rs pada Gambar 2.2 :
Gambar 2.1 Sensor TGS
Kata Kunci: jenis teh, deret sensor semikonduktor, neural network I.
PENDAHULUAN Teh memiliki banyak sekali kandungan yang bermanfaat pada tubuh manusia. Sebagian besar orang yang berada di Indonesia gemar mengkonsumsi teh. Dalam teh terkandung berbagai macam zat kimia dan bersifat volatile dan non volatile. Untuk melakukan penciuman aroma, sebagaimana hal yang dilakukan di perkebunan – perkebunan teh, 2 gr teh dilarutkan pada 100 ml air dengan suhu sedang (60oC). Pada proses penyeduhan, zat – zat yang bersifat volatile dalam teh dapat terbangkit bersama uap air. Dengan adanya perkembangan teknologi dalam bidang sensing gas. Riset dilakukan untuk mendeteksi gas organik. Hal ini dilakukan sebagai langkah verifikasi terhadap hasil pengujian para ahli teh, sehingga pendeteksian jenis teh tidak lagi dilakukan secara
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
Gambar 2.2 Rangkaian internal Sensor TGS Pada rangkaian internal tersebut dilengkapi komponen RL dimana besar nilai resistensi dari RL > 0.45KΩ. Range resistansi variabel Rs pada 10KΩ - 100KΩ, maka besarnya tegangan output sensor TGS (VRL) merupakan pembagian tegangan antara RL dan Rs. Jenis Sensor TGS yang digunakan dalam tugas akhir ini terdapat pada Tabel 2.1 1
Table 2.1 Sensor yang digunakan Sensor TGS 2602
Manufacturer Figaro engineering Inc.
TGS 2611
Figaro engineering Inc.
TGS 2620
Figaro engineering Inc.
Sensitivity to Air Contaminants (ammoniac and H2S) Toxic gases (methane) Solvene Vapour (carbon monoxide)
Data Sampel Proses pendeteksian memerlukan sebuah refrensi batas yang dijadikan dasar perhitungan terhadap uap yang akan dideteksi karena untuk mendapatkan aroma, sampel diseduh menggunakan air sehingga aroma teh akan terbangkit bersama uap air. Dalam percobaan, terlebih dahulu dilakukan pendeteksian terhadap refrensi yang digunakan, dalam hal ini air yang memiliki suhu normal. Kemudian hasil pendeteksian tersebut berupa uap air refrensi dan disimpan dalam sebuah variabel. Setelah tahap refrensi diperoleh, dilakukan pendeteksian terhadap teh yang diseduh dengan asumsi yang terbangkit adalah uap air & aroma teh. Untuk memperoleh aroma teh murni, hasil pendeteksian adalah (teh terseduh – uap refrensi).
Proses data clustering dilakukan dengan metode error back propagation menggunakan metode binary sigmoid function, ditunjukkan pada Gambar 2.3. Nilai output yang dihasilkan mendekati 0 dan 1. Grafik error yang dihasilkan turun terhadap jumlah iterasi yang dilakukan. Topologi yang digunakan di Tugas Akhir ini ditunjukkan pada Gambar 2.4:
2.2
2.3
Neural Network Neural network adalah salah satu tipe metode learning data dengan menggunakan filosofi jaringan syaraf manusia yang sangat kompleks. ANN (artificial neural network) merupakan sebuah sistem konektifitas yang dikhususkan untuk pemodelan atau pengelompokan dengan prinsip sistem syaraf pusat, Berdasarkan ilmu biologi, ilmu tersebut memberikan sebuah ide bagaimana cara melakukan sebuah kemampuan komputasi dengan ANN untuk menyelesaikan persoalan sensorik dan diharapkan dapat dilakukan dengan cara yang mudah.
Gambar 2.4 Topologi yang digunakan Algoritma pelatihan neural network yang diuraikan sebagai berikut: Forward :
1. 2. 3.
4. 5.
Data input diperoleh dari deret sensor, dengan weight awal pelatihan random. Kemudian dilakukan perhitungan di node layer1 Hasil masing – masing node layer1 di sebar menggunakan binary sigmoid function dan didapatkan pula hasil turunannya. Kemudian dilakukan perhitungan yang sama terhadap node – node layer berikutnya. Dihitung pula error pada input pertama
Backward :
1. 2. 3. 4. 5. 6. 7.
Didapatkan error pada node 3 Update Weight layer 3 Kemudian dapat hitung error pada node 2 Update Weight layer 2 Error pada node 1 dapat diperoleh Update Weight layer 1 Gunakan Weight update pada input selanjutnya hingga semua input yang dimasukkan dapat terpenuhi
Main program :
1. 2. 3. 4.
5.
Masukkan batas error yang dikehendaki terbatas pada jumlah array yang disediakan Ulangi proses forward dan backward hingga terpenuhi batas error yang diinginkan. Setelah terpenuhi batasan error yang digunakan, weight disimpan Weight yang tersimpan dilakukan clustering terhadap input yang didapat saat pendeteksian secara real time, hanya proses forward. Hingga batas error dipenuhi
Gambar 2.3 Binary sigmoid function Multi Layer Perceptron (single-layer dengan tambahan beberapa hidden layer) kemungkinan mempunyai pengaruh yang sangat penting pada neural network sebagaimana yang kita ketahui sekarang. Pada umumnya, perceptron proses pelatihannya bergantung pada aturan pelatihan pola (pattern) yang digunakan, walaupun perceptron merupakan proses pelatihan yang bersifat Self – organizing. Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
III. 3.1
PERANCANGAN ALAT Blok Diagaram Sistem
Alat yang dibuat terdiri dari beberapa bagian, dimana blok diagramnya ditunjukkan pada Gambar 3.1. Data yang didapatkan dari sensor oleh mikrokontroler kemudian dikirimkan ke PC untuk diolah lebih lanjut seperti normalisasi, neural network dan kemudian ditampilkan.
2
Gambar 3.1 Gambar blok diagram sistem 3.2
Perancangan Perangkat Keras Perangkat keras yang digunakan adalah power supply, sensor TGS, dan minimum sistem mikrokontroler dan komponen pendukungnya yang tampak pada Gambar 3.2.
Gambar 3.4 Minimum sistem ATmega16 Untuk aplikasi alat ini, Mikrokontroler digunakan sebagai input – output. Input berasal dari tegangan output TGS dan dimasukkan ke dalam pin ADC. Kemudian hasil ADC tersebut dikirimkan ke PC melalui komunikasi serial dan I/O port.B digunakan sebagai display LCD. 3.3
Perancangan Perangkat Lunak Dalam alat ini tedapat 2 software yang berbeda, yakni software CodeVision AVR dan Delphi 7. Software CodeVision AVR digunakan dalam mikrokontroler ATmega16, dimana program ini digunakan untuk mengontrol kinerja mikrokontroler sebagai pengambil data dan ADC. Sedangkan Software Delphi 7 digunakan setelah data ADC dikirimkan ke dalam PC untuk proses normalisasi dan learning neural network.
Gambar 3.2 Mekanik Pendeteksian jenis teh
3.2.1 Sensor TGS Sensor TGS ditempatkan pada sebuah kotak sensor yang minimalis seperti yang ditunjukkan pada Gambar 3.3. Dibuat dengan kedap udara, hanya berasal pada 1 pintu masuk dan 1 pintu keluar.
3.3.1 Flowchart perancangan perangkat lunak pada mikrokontroler Dalam mikrokontroler dibuat sebuah program untuk mengambil data dari sensor untuk diolah dan dikirimkan ke PC (Gambar 3.4). START
Timer Data := 0
Data ADC A := TGS 2602 Data ADC B := TGS 2611 Data ADC C := TGS 2620
Tegangan A := Data ADC A.5 / 255 Tegangan B := Data ADC B.5 / 255 TeganganC := Data ADC C.5 / 255
Gambar 3.3 Rangkaian sensor TGS Berdasarkan rangkaian internal dari sensor TGS, nilai dari Rs bergantung pada besarnya molekul yang tertangkap pada material TGS sehingga mempengaruhi besarnya resistansi dari material teh.
tidak Timer := 5 detik
ya
Data := Data + 1
3.2.3 Minimum Sistem Mikrokontroler Minimum system mikrokontroler ATmega16 digunakan sebagai kontroler utama, ditunjukkan pada Gambar 3.4.
Kirim Serial Tegangan A Tegangan B Tegangan C
END
Gambar 3.5 Flowchart pada mikrokontroler Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
3
3.2.1 Flowchart Perancangan perangkat lunak Delphi Setelah data dikirimkan oleh mikrokontroler, data kemudian diterima oleh PC dan dilakukan pengolahan data sebagaimana flowchart pada Gambar 3.6. START
ciri khusus antar tiap sampel, sehingga sulit apabila dilakukan proses clustering. Gambar 4.2 adalah contoh respon pendeteksian menggunakan udara dan dikurangkan terhadap baseline yang didapatkan sebelumnya.
A := Tegangan A B := Tegangan B C := Tegangan C
tidak Baseline ?
ya
Display Seduhan Teh
Display Teh Murni (Data Seduhan Teh – Data Baseline)
Gambar 4.2 Grafik data dengan refrensi baseline udara Display Baseline
4.3
Normalisasi Data
Neural Network
END
Gambar 3.6 flowchart pemrosesan data dari PC
Suhu refrensi baseline yang digunakan Pendeteksian dilakukan dengan suhu refrensi baseline 60oC dan hampir sama dengan yang digunakan untuk menyeduh teh. Proses dapat diamati pada Gambar 4.3, dimana respon yang dihasilkan sedikit kacau, mengingat refrensi yang digunakan memberikan jumlah uap air yang tidak stabil karena suhunya yang terlalu tinggi yakni 60oC berubah terhadap waktu.
IV.
PENGUJIAN ALAT Pada proses pengujian menggunakan sampel teh, prosedur pengujian dilakukan sebagaimana yang telah dijelaskan sebelumnya. Sebelum dilakukan pengujian teh terseduh, terlebih dahulu dilakukan pengujian air murni sebagai baseline. Kemudian didapatkan data teh murni dengan mengurangkan antara teh terseduh dengan baseline. 4.1
Suhu penyeduhan Pada proses pengambilan data. Suhu air panas yang digunakan untuk menyeduh teh ditetapkan sebesar 60 0C, dengan takaran 2 gram (ukuran teh celup) menggunakan air 100 ml. Hal ini disamping berdasarkan dari sumber terkait dan didukung informasi dari web perkebunan teh bahwa teknik penyeduhan lebih baik dilakukan pada suhu sedang yakni 60 0C juga dikuatkan dengan percobaan yang telah dilakukan. Apabila air yang digunakan lebih dari suhu 60 0C, maka akan timbul uap air yang berlebihan sehingga menutupi selang yang menghubungkan ruang sampel dengan ruang sensor. Apabila dilakukan kurang dari suhu 60 0C, maka respon yang dihasilkan kurang baik karena respon aroma teh lambat dalam menunjukkan perubahan tegangan dan memerlukan waktu lebih lama sebagaimana respon salah satu sampel dengan suhu 400C pada Gambar 4.1
(a)
(b)
Gambar 4.3 (a) Baseline refrensi suhu kamar o refrensi 60 C
(b) Baseline
Apabila dibandingkan respon baseline dengan yang menggunakan refrensi air pada suhu normal, hasil baseline yang didapat lebih stabil dan hampir sama di setiap pendeteksian, maka lebih baik digunakan pada suhu normal. Sehingga setelah respon teh murni setelah dikurangkan terhadap baseline dapat dibandingkan pada Gambar 4.4 (a) dan (b) berikut
(a)
(b)
Gambar 4.4 (a) Aroma murni teh dengan refrensi suhu normal (b) Aroma murni teh dengan refrensi 60oC
4.4
o
Gambar 4.1 Grafik teh diseduh dengan air 40 C
4.2
Pendeteksian menggunakan udara Pendeteksian menggunakan udara atau tanpa diseduh tidak dapat dilakukan karena tidak memiliki ciri– Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
Pengujian alat dengan sampel teh Berdasarkan hasil pengujian mengenai suhu yang digunakan untuk penyeduhan, dibutuhkannya air sebagai activator gas volatile dan suhu refrensi baseline berupa air yang digunakan. Berikut adalah hasil pendeteksian aroma dari teh yang di uji. Respon pada grafik terbentuk setelah hasil pendeteksian teh yang diseduh dikurangkan hasil 4
baseline sebelumnya, maka dapat ditampilkan respon teh hitam, teh hijau dan teh rosella pada Gambar 4.5
sama, maka hal ini bisa dikatakan seimbang antara sampel yang satu dengan yang lain. 4.7
Time Sampling 5 detik Aturan waktu sampling data yang digunakan adalah 5 detik, selama 5 menit, sehingga menghasilkan 60 data. Apabila dibandingkan dengan zat seperti minyak tanah, bensin, yang zat–zat lain yang lebih mudah dikenali, respon yang dihasilkan sangat berbeda. Berat dari molekul gas yang dihasilkan oleh teh yang dibawa uap air lebih berat dibanding dengan zat yang dapat dibawa oleh udara seperti bensin karena memiliki stuktur molekul yang lebih ringan, sehingga memiliki respon yang lebih cepat. Waktu yang dibutuhkan selama 5 menit adalah untuk mengantisipasi hasil dari kestabilan dari gas teh murni. Mengingat gas dari teh dapat habis apabila dilakukan proses pendeteksian dalam waktu yang lama.
(a)
(b)
(c)
4.8
Hasil Pengujian
Gambar 4.5 (a) Respon Teh Hitam. (b) respon teh hijau. (c) respon teh rosella.
1. 2. 3. 4. 5. 6. 7. 8. 9. 10.
4.5
Pengujian alat dengan sampel teh menggunakan filter data Berdasarkan hasil pengujian sebelumnya dengan data murni dari mikrokontroler, respon yang dihasilkan tidak stabil, sehingga sangat sulit menghasilkan jawaban yang tepat apabila diuji menggunakan Neural Network. Filter data moving forward memberikan hasil yang baik, dimana kurva yang dihasilkan seperti pada Gambar 4.6 lebih stabil.
Sampel Teh Hitam Teh Hijau Teh Hijau Teh Hjau Teh Hijau Teh hitam Teh rosella Teh hijau Teh rosella Teh hitam
Terdeteksi Teh Hitam Teh Rosella Teh Rosella Teh Hijau Teh Hijau Teh Hitam Teh rosella Teh rosella Teh rosella Teh hitam
kondisi Benar Salah Salah Benar Benar Benar Benar Salah Benar Benar
V. PENUTUP 5. 1 -
` (a)
(b)
-
(c)
-
Gambar 4.6 (a) Respon Teh Hitam. (b) respon teh hijau. (c) respon teh rosella.
4.6
Suhu penyeduh tereduksi terhadap waktu Dalam pendeteksian, suhu air tidak dipertahankan atau dijaga pada 60oC. Hal ini dilakukan karena proses pendeteksian yang menyesuaikan hidung manusia sehingga proses penyeduhan dilakukan selayaknya membuat teh pada kehidupan sehari–hari. Memang terdapat penurunan suhu, akan tetapi apabila semua sampel yang diujikan mendapat perlakuan yang
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
5.2
Kesimpulan Dengan menggunakan tiga buah sensor yakni TGS 2602, TGS 2611 dan TGS 2620 dapat digunakan untuk membedakan jenis teh antara sampel teh hitam, teh hijau dan teh rosella. Respon teh tidak bersifat tetap di tiap pengujian dan pengaruh terhadap suhu. Pengujian yang menggunakan refrensi baseline berupa air sebagai activator lebih baik dari pada hanya menggunakan refrensi baseline udara. Refrensi baseline lebih baik digunakan air normal dgn suhu yang stabil dari pada yang bersuhu 60oC. Dengan pendeteksian menggunakan air bersuhu sedang 60oC respon yang dihasilkan lebih baik dari pada menggunakan lebih ataupun kurang dari 60 oC
Saran Apabila dilakukan pengembangan, penambahan sensor dinilai lebih baik dan akurat dalam menentukan respon. - Menggunakan tambahan alat untuk mengukur suhu air yang digunakan dan suhu ruangan. - Suhu ruangan diharapkan stabil karena gas dalam proses kimiawi sangat berpengaruh terhadap respon yang terbangkit. -
5
DAFTAR PUSTAKA [1]
[2]
[3]
[4]
[5]
Dutta, Ritaban.2003.” Tea quality prediction using a tin oxide-based electronic nose: an artificial intelligence approach”.Division of Electrical and Electronic Engineering, School of Engineering, University of Warwick, Coventry CV4 7AL, UK. Pambudi, Joko.2006.” potensi teh sebagai sumber zat gizi dan perannya dalam kesehatan”. Pusat Penelitian dan Pengembangan Gizi, Departemen Kesehatan dan Kesejahteraan Sosial RI Andrianto, Heri.2008.”pemrograman mikrokontroler AVR Atmega 16 menggunakan bahasa C (codevision AVR)”.Bandung : informatika. Keller, Paul E.1995.”electronic nose and their applications”.Pacific Northwest National Laboratory. www.alldatasheet.com RIWAYAT PENULIS
Saifun Nur, lahir pada 1 Juli 1988 dan sejak kecil menghabiskan waktunya di kota Surabaya. Pendidikannya diawali di SDI mabadiul ulum, kemudian melanjutkan di SLTP Negeri 19 Surabaya, SMA Negeri 10 Surabaya dan lulus tahun 2006. Kemudian melanjutkan pendidikan di Teknik Elektro ITS bidang studi Elektronika. Selama masa perkuliahan, penulis aktif di berbagai kepanitiaan di ITS dan aktif dalam Himpunan Mahasiswa Teknik Elektro serta lab. Elektronika.
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
6
