Klasifikasi Aroma Tembakau Menggunakan Deret Sensor Tin Oxide dan Neural Network

95

Klasifikasi Aroma Tembakau Menggunakan Deret Sensor Tin–Oxide dan Neural Network Muhammad Rivai, Tasripan, Muhammad Rois Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember Kampus ITS Sukolilo, Surabaya 60111

Abstrak - Aroma tembakau ditentukan oleh kandungan gas gas atau jumlah campuran bahan organik yang mudah menguap dan tidak mudah menguap. Proses penentuan sebelumnya telah dilakukan dengan menggunakan metode analitis konvensional, yang melibatkan kombinasi antara manusia (ahli tembakau) dan instrumentasi skala besar. Metode ini sangat mahal dalam kaitan waktu dan tenaga kerja, karena membutuhkan peralataan yang sangat komplek. Dan tingkat ketelitian dari analisa yang dilakukan oleh ahli tembakau menjadi rendah pada kondisi tertentu, karena indera penciuman ahli tembakau bergantung pada kelembaban, suhu dan kondisi fisik. Olehkarena itu dibuat alat yang dapat mendekati hasil penciuman yang dilakukan para ahli tembakau. Dengan mengalirkan gas yang dihasilkan tembakau ke deret sensor untuk dideteksi dan dilakukan proses perubahan sinyal analog menjadi sinyal digital (ADC). Setelah proses ADC, data dikirim ke pc melalui komunikasi serial untuk dilakukan proses pelatihan neural network menggunakan error backpropagation untuk menenukan bobot dari jaringan neural network. Kemudian hasil pelatihan digunakan untuk mengklasifikasi jenis tembakau. Dari hasil pengujian sistem ini dapat mengidentifikasi tembakau shaq, garut, tambenng dan temanggun dengan tingkat kesalahan rata-rata 8,33%. Kata Kunci: jenis tembakau, semikonduktor, neural network

deret

sensor

I. PENDAHULUAN Tembakau merupakan bahan baku utama dari pembuatan rokok. Sehingga kualitas dari tembakau tersebut berpengaruh langsung pada rokok tersebut. Salah dari penentuan kualitas tembakau adalah aroma. Dalam aroma tembakau terkandung berbagai macam zat kimia dan bersifat volatile dan non volatile. Untuk mengetaui zat kimia tersebut biasanya menggunakan teknologi krimatografi gas. 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 tembakau, sehingga pendeteksian jenis tembakau tidak lagi dilakukan secara keseluruhan dalam satu paket yakni secara aroma, kandungan kimiawi dan struktur tulang daun.

II. TEORI PENUNJANG Teori yang digunakan meliputi, tembakau, Sensor MQ, perhitungan menggunakan baseline, Neural Network menggunakan MLP (multilayer perceptron) dengan metode error backpropagation. 2.1 Tembakau Tembakau (Nicotiana tabacum L.)adalah produk pertanian yang diproses dari daun tanaman. Pada umumnya Tembakau dibuat menjadi rokok, tembakau kunyah, dan juga dapat digunakan sebagai obat dalam bentuk nikotin tartrat. Selain itu dalam bidang pertanian tembakau digunakan untuk pestisida. Tembakau telah lama digunakan sebagai entheogen di Amerika. Kedatangan bangsa Eropa ke Amerika Utara mempopulerkan perdagangan tembakau terutama sebagai obat penenang. Tembakau mengandung komponen volatile sebanyak 300 macam. Komponen volatile tersebut berperan dalam memberikan cita aroma khas pada tembakau. Diantaranya adalah protein, nikotin, pati, polyphenol, magnesium (Mg), calsium (Ca), phosphor (P), Zn, potassium, Cu, dan lain lainya. 2.2

Sensor MQ (MQ4, MQ135,MQ138) Sensor semikonduktor yang ditunjukkan pada Gambar 1 digunakan untuk mengukur konsenstrasi gas yang terdeteksi terdapat pada bagian membran sensor. Jenis dari sensor MQ 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 :

Gambar 1 Sensor MQ

95

JAVA Journal of Electrical and Electronics Engineering, Vol. 9, No.2, Oct. 2011, ISSN 1412-8306

96

Gambar 2 Rangkaian internal Sensor TGS

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. Proses data clustering dilakukan dengan metode error back propagation menggunakan metode binary sigmoid function, ditunjukkan pada Gambar 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 4:

Pada rangkaian internal tersebut dilengkapi komponen RL dimana besar nilai resistensi dari RL dapat sesuaikan. Range resistansi variabel Rs pada 10K Ω 20KΩ, maka besarnya tegangan output sensor MQ (VRL) merupakan pembagian tegangan antara RL dan Rs. Jenis Sensor TGS yang digunakan dalam tugas akhir ini terdapat pada Tabel 1 Table 1 Sensor yang digunakan Sensor

Sensitivity to

MQ4

Natural gas, Methane

MQ135

Air Quality Control (NH3,Benzene,Alcohol,smoke) VOC (Mellow, Benzene, Aldehyde, Ketone, Ester )

MQ138

Gambar 4 Topologi yang digunakan Algoritma pelatihan neural network yang diuraikan sebagai berikut: Forward :

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.

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. Gambar 3 Binary sigmoid function Multi Layer Perceptron (single-layer dengan tambahan beberapa hidden layer) kemungkinan mempunyai pengaruh yang sangat penting pada neural

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


97 III. 3.1

PERANCANGAN ALAT

Blok Diagaram Sistem

Alat yang dibuat terdiri dari beberapa bagian, dimana blok diagramnya ditunjukkan pada Gambar 5. Data yang didapatkan dari sensor oleh mikrokontroler kemudian dikirimkan ke PC untuk diolah lebih lanjut seperti normalisasi, neural network dan kemudian ditampilkan. Gambar 7 Chamber sensor MQ Berdasarkan rangkaian internal dari sensor MQ, nilai dari Rs bergantung pada besarnya molekul yang tertangkap pada material MQ sehingga material tembakau berpengaruhi pada besarnya resistansi. 3.2.3 Minimum Sistem Mikrokontroler Minimum system mikrokontroler ATmega 32 digunakan sebagai kontroler utama, ditunjukkan pada Gambar 8. Gambar 5 Gambar blok diagram sistem 3.2

Perancangan Perangkat Keras Perangkat keras yang digunakan adalah power supply, sensor MQ, dan minimum sistem mikrokontroler dan komponen pendukungnya yang tampak pada Gambar 6.

Gambar 8 Minimum sistem ATmega32 Untuk aplikasi alat ini, Mikrokontroler digunakan sebagai input – output. Input berasal dari tegangan output sensor MQ dan dimasukkan ke dalam pin ADC. Kemudian hasil ADC tersebut dikirimkan ke PC melalui komunikasi serial dan I/O port.C digunakan sebagai display LCD. 3.3

Gambar 6 Rancangan sistem

3.2.1 Sensor MQ Sensor MQ ditempatkan pada sebuah silindir plastik yang minimalis seperti yang ditunjukkan pada Gambar 7. Dibuat dengan kedap udara, hanya berasal pada 1 pintu masuk dan 1 pintu keluar.

Perancangan Perangkat Lunak Dalam alat ini tedapat 2 software yang berbeda, yakni software CodeVision AVR dan Delphi 7. Software CodeVision AVR digunakan dalam mikrokontroler ATmega32, 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. 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 9).

97


98 IV. PENGUJIAN ALAT Pada proses pengujian menggunakan sampel tembakau, prosedur pengujian dilakukan sebagaimana yang telah dijelaskan sebelumnya. Sebelum dilakukan pengujian semsor diarkan terbuka selama 15 detik atau 30 untuk dijadikan sebagai baseline.seperti pada gambar 11 Kemudian didapatkan data tembakau murni dengan mengurangkan antara tembakau baseline selama 120 detik sehingga data secara keseluruhan selama 135 detik.

Start

Inisialisasi adc,timer,dan variabel A,B,C;i=0;j=0

input keyboard (status)

T Status = a

A=0;B=0;C=0 J=j+1

A=A/5;B=B/5 C=C/5;i=0

T

Kirim data A,B,C ke pc

T Timer = 100ms

A=A+Read_adc(0) B=B+Read_adc(1) C=C+Read_adc(2)

i=i+1

Gambar 11 Grafik respon tembakau garut J=360

T

i=5

End

Gambar 9 Flowchart pada mikrokontroler

4.1

Pengujian alat dengan sampel tembakau Berikut adalah hasil pendeteksian aroma dari tembakau yang di uji. Respon pada grafik terbentuk setelah hasil pendeteksian tembakau hasil baseline pada 15 detik sebelumnya, maka dapat ditampilkan respon tembakau garut, tembakau shaq dan tembakau temanggung pada Gambar 12

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 10. Start

Initialisasi bobot awal,miu dan batas error

(a)

Proses maju (hitung keluaran node)

Proses mundur (perbaiki bobot)

Hittung error

Error=batas error

Simpan bobot

(b) End

Gambar 10 flowchart pemrosesan data dari PC


99

Data tersebut nantinya akan digunakan untuk ditraining sengan menggunakan backpropagation sepeti pada tabel 2. dari data kelima masing jenis tembaku dirata dangan polanya digabungkan terlihat terjadi perbedaanpola antara tembakau garut, tembakau shaq, dan tembaku temanggung. Seperti pada gambar 14.

(c) Gambar 12 (a) Tembakau garut. (b) tembakau temanggung. (c) tembakau shaq. Data dari grafik diatas yang digunakan pada titik 270 sehingga diperoleh pola dari pengujian untuk masing masing tembakau seperti pada gambar 13 Gambar 14 pola gabungan tembakau

Table 2 data pattern

(a)

4.2 Pengujian software Delphi Pada software Delphi ini dirancang untuk melatih data tembakau seperti pada gambar 15. dimana menggunakan 3 input, hiden layer1 3node, , hiden layer2 3node, dan layer input 3node. Dan batas error 10e-5 dipeloreh pada iterasi 872456.

(b)

© Gambar 13 (a) Tembakau garut. (b) tembakau temanggung. (c) tembakau shaq.

Gambar 15 program neural network di Delphi

99


100 Dari training diatas didapat bobot. Yang nantinya digunakan secara forward. Untuk menguji tembakau. Berikut gambar 16 software untuk pengujian tembakau.

Gambar 16 perogram untuk uji tembakau

4.3 Hasil Pengujian Hasil pengujian dari alat dijelaskan pada tabel berikut:

V. PENUTUP 5. 1

Kesimpulan Dari hasil pengujian alat dan hasil analisa dapat dibuat beberapa kesimpulan sebagai berikut: • Penggunaan deret sensor semikonduktor dapat meningkatkan keandalan dari sistem karena memiliki selektifitas yang lebih banyak. • Metode back propagation dapat digunakan untuk mengklasifikasi jenis tembakau shaq, garut, dan temanggun. Dengan tingkat kesuksesan rata-rata 91,7 %. • Penggunaan dua lapisan tersembunyi pada algoritma backpropagation sudah dapat digunakan untuk pengidentifikasian jenis tembakau. 5.2

Saran Beberapa saran demi perbaikan dari penelitian ini sebagai berikut: • Aroma tembakau terdiri dari beberapa gas volatile, disarankan menggunakan udara referensi sebagai base line agar data yang diperoleh lebih stabil. • Chamber sensor disarankan memiliki dimensi yang kecil supaya penyebaran gas lebih merata. • Sampel tembakau disarankan diletakkan ditempat yang tertutup dan tidak lembab. DAFTAR PUSTAKA [1]

[2]

[3]

[4] [6] Kesuksesan rata-rata pada 24 kali percobaan yang dilakukan saat pengujian tembakau yaitu 91,67% atau dengan kata lain mempunyai error rata-rata sebesar 8,33%.

[7] [8]

QIN WANG Zheng-yin1 and SHI Jun-xiong3.2007.” Quality Characteristics of Tobacco Leaves with Different Aromatic Styles from Guizhou Province, China”. Agricultural Sciences in China 2007. 6(2): 220-226. J. Brezmes, B. Ferreras, E. Llobet, X. Vilanova, X. Correig.1997.” Neural network based electronic nose for the classification of aromatic species”. Departement d’Enginyeria EIectronica, Universitat Rovira i virgili, Autovia de Salou s/n, 43006 Tarragona, Spain. Figaro Engineering Inc, 2004. TGS 2600, , 25 september 2008, 11.00 WIB. …, 2003. Atmega 16 , ,7 agustus 2008, 20.00 WIB. Siang, Jong Jek.JaringanSyaraf Tiruan dan Pemrogramannya menggunakan Matlab, 2005, Andi, Yogyakarta Wahana komputer, 2003, Pemrograman Borland Delphi 7, penerbit Andi, Semarang. www.alldatasheet.com


Klasifikasi Aroma Tembakau Menggunakan Deret Sensor Tin Oxide dan Neural Network

Recommend Documents