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.
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 dimana: RS = Hambatan elektris dari sensor A = konstanta [C] = konsentrasi gas α = lekuk dari kurva Rs
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
(2.1)
Gambar 2. 1 Model dari inter-grain potensial penghalang pada saat gas-gas tertentu tidak ada.
sampel yang berubah secara dinamik. II. TEORI PENUNJANG 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
Gambar 2. 2 Model dari inter-grain potensial penghalang pada saat gas-gas tertentu muncul.
2.1
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
1
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]: N 1
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.
(2.2)
Y (k ) X (n)W nk
III. PERANCANGAN ALAT
n 0
W e j 2 / N
(2.3)
k 0,1,...,N 1
3.1
Blok Diagaram Sistem Alat yang dibuat terdiri dari beberapa bagian, dimana blok diagramnya ditunjukkan pada Gambar 3.1.
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: Y (k )
N / 2 1
x(2 p)W p 0
2 pk N
N / 2 1
x(2 p 1)W p 0
( 2 p 1) k N
(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 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.
Gambar 2. 4 JST Backpropagation dengan satu lapisan dalam.
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
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].
2
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.
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 3.3 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 3.5 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
Gambar 3.4 Flowchart program
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
3
spirtus
amoniak
Tabel 4.1 Data Fast Fourier Transform untuk setiap gas uji. Gas Uji Udara bersih
Minyak tanah
butana
Spirtus
Amoniak
Butana
Gambar 4.1 Respon sensor terhadap gas uji
Frekuensi
Tgs 2600
Tgs 2610
Tgs 2620
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
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
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
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
0
2.130781174
1.965469
1.982344
0.015625
0.523323238
0.654839
0.554112
0.03125 0.046875
0.374357879 0.159070656
0.570561 0.119105
0.430406 0.13709
Normalisasi
Gambar 4.2 Grafik FFT setiap gas uji.
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
4
Tabel 4.4 Data tegangan sensor Gas uji Udara bersih
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
Minyak tanah
Spirtus
Tabel 4.3 Hasil pengujian real time dengan FFT Sample
target keluaran
Sukses/gagal
udara bersih(sample 1)
10000
sukses
minyak tanah(sample2) minyak tanah(sample3)
01000 01000
sukses sukses
spirtus(sample 4)
00100
sukses
spirtus(sample 5)
00100
Amoniak
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 masingmasing 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.
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
Butana
detik
Tgs 2620
Tgs 2600
Tgs 2610
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
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
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
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
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.
5
1.
Tabel 4.6 Hasil pengujian real time tanpa FFT Sample
target keluaran
2.
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
3.
4.
1.1 1. 2.
[1]
[2] [3] [4] [5] [6]
[8]
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:
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
Saran Karena gas uji terletak di udara terbuka maka desain mekanik harus benar-benar kedap udara. Untuk pengidentifikasian real time di mikrokontroler dengan menggunakan metode Fast Fourier Transform dan jaringan DAFTAR PUSTAKA
[7]
V. PENUTUP
Penggunaan 3 deret sensor semikonduktor yaitu TGS 2600,TGS 2620,TGS 2610 dapat mendeteksi uap udara bersih,minyak tanah,spirtus,amoniak,butana. Hasil pengujian sistem ini dengan menggunakan Fast Fourier Transform dapat mengidentifikasi udara bersih, amoniak, butana dan minyak tanah memberikan tingkat kesalahan 10 %, spirtus 30 % . 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 %. 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.
Figaro Engineering Inc 2004. General Information for TGS Sensors,
, 8 januari 2010, 19.00 WIB. Budiarto,widodo.2007. Panduan Praktikum Mikrokontroler AVR Atmega 16. Setiawan,Rachmad.2008. Teknik Akuisisi Data.Yogyakarta:Graha ilmu. Tompkins,Willis j.1995. Biomedical Digital Signal Processing.New Jersey:Prentice Hall. Smith, Steven W.1999. Scientits and Engineers Guide to Digital Signal Processing. San Diego:california technical. Ham, fredric M and kostanic, ivica.2001 . Principles of Neourocomputing For Science and Engineering.Singapore:Mc Graw Hill. 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. 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.
6
